是否存在灵活的group by函数？如何实现目标DataFrame聚合结果？

原始数据 #

错误代码及输出结果 #

你执行的代码：

DF.groupby(['Name_A',"Type_A"], as_index=False)[['A','B']].sum()
NewDF = DF.where(DF['TypeA']== "Game")

得到的结果：

期望结果 #

解决方案 #

完全可以实现目标，不需要用merge，调整groupby的逻辑就行。原代码的问题在于：

• 分组键选了Name_A和Type_A，但这两列有大量空值，导致后两行无法和第一行归为同一组；
• where语句里的列名写错了（应该是Type_A而非TypeA）。

方法一：先填充空值再聚合 #

先把Name_A和Type_A的空值用同组（按Name_B+Type_B）的非空值填充，确保所有行的分组键一致，再做聚合：

# 按Name_B和Type_B分组，用组内非空值填充空列
filled_df = DF.groupby(['Name_B', 'Type_B'], group_keys=False).apply(lambda x: x.ffill().bfill())

# 按完整字段分组，对A取第一个非空值、对B求和
result_df = filled_df.groupby(['Name_A', 'Name_B', 'Type_A', 'Type_B'], as_index=False).agg(
    A=('A', 'first'),
    B=('B', 'sum')
)

方法二：直接按有效分组键聚合后补全字段 #

如果确认Name_B+Type_B的组合唯一对应Name_A和Type_A的有效值，可以直接按这两个字段聚合，再手动补全其他字段：

# 按Name_B和Type_B分组，对A取非空值、对B求和
result_df = DF.groupby(['Name_B', 'Type_B'], as_index=False).agg(
    A=('A', 'max'),  # 取唯一非空值，用sum也可以
    B=('B', 'sum')
)

# 补全Name_A和Type_A的有效值
result_df['Name_A'] = 'Test'
result_df['Type_A'] = 'Game'

# 调整列顺序到期望的格式
result_df = result_df[['Name_A', 'Name_B', 'A', 'B', 'Type_A', 'Type_B']]

两种方法都能得到你想要的结果。

内容的提问来源于stack exchange，提问作者TourEiffel