如何在Pandas中按Courses分组仅求和Fee列并保留其余列？

问题场景 #

给定如下Pandas DataFrame：

import pandas as pd
technologies   = ({
    'Courses':["Spark","PySpark","Hadoop","Python","Pandas","Hadoop","Spark","Python"],
    'Fee' :[22000,25000,23000,24000,26000,25000,25000,22000],
    'Duration':['30days','50days','55days','40days','60days','35days','55days','50days'],
    'Discount':[1000,2300,1000,1200,2500,1300,1400,1600]
                })
df = pd.DataFrame(technologies, columns=['Courses','Fee','Duration','Discount'])

需求：按Courses列分组，仅对Fee列求和，同时保留其余所有列并按对应逻辑处理（如Duration需将天数部分求和后拼接单位，Discount求和）。

此前尝试的问题：

• 执行df.groupby('Courses').sum()会将所有数值列（Fee、Discount）都求和，且丢失非数值列（Duration）
• 执行df.groupby('Courses')['Fee'].sum()仅返回Fee的求和结果，无其他列

期望输出：

Fee Duration  Discount
Courses                          
Hadoop   48000  90days      2300
Pandas   26000  60days      2500
PySpark  25000  50days      2300
Python   46000  90days      2800
Spark    47000  85days      2400

可行解决方法 #

方法1：使用groupby.agg()自定义各列处理逻辑 #

这是最通用的方案，可针对每一列指定独立的处理规则，适配多列场景：

# 定义Duration列的处理函数：提取天数求和后拼接单位
def calculate_total_duration(durations):
    total_days = sum(int(dur.replace('days', '')) for dur in durations)
    return f"{total_days}days"

# 分组聚合，指定每列的处理方式
df_result = df.groupby('Courses').agg(
    Fee=('Fee', 'sum'),
    Duration=('Duration', calculate_total_duration),
    Discount=('Discount', 'sum')
).reset_index()

# 将Courses设为索引（与期望输出格式一致）
df_result = df_result.set_index('Courses')
print(df_result)

如果原始DataFrame包含更多列，只需在agg()的参数中添加对应的列名和处理规则即可，例如：

• 数值列求均值：Score=('Score', 'mean')
• 字符串列拼接：Notes=('Notes', lambda x: ','.join(x))

方法2：分模块处理后合并结果 #

当列数量较多时，可分模块处理各列的聚合逻辑，再合并结果：

# 处理Fee列求和
fee_agg = df.groupby('Courses')['Fee'].sum().rename('Fee')

# 处理Duration列
duration_agg = df.groupby('Courses')['Duration'].apply(
    lambda x: f"{sum(int(dur.replace('days', '')) for dur in x)}days"
).rename('Duration')

# 处理Discount列求和
discount_agg = df.groupby('Courses')['Discount'].sum().rename('Discount')

# 合并所有聚合结果
df_result = pd.concat([fee_agg, duration_agg, discount_agg], axis=1)
print(df_result)

这种方式逻辑拆分清晰，便于维护不同列的处理逻辑。

内容的提问来源于stack exchange，提问作者iuuujkl