如何用pandas pivot_table聚合多列并整理为目标格式？

现有如下Pandas DataFrame：

import pandas as pd
import numpy as np

df = pd.DataFrame(
    [
        ['1990-01-01','A','S1','2','string2','string3'],
        ['1990-01-01','A','S2','1','string1','string4'],
        ['1990-01-01','A','S3','1','string5','string6']
    ],
    columns=["date","type","status","count","s1","s2"]
)

原始数据结构：

date type status count       s1       s2
0  1990-01-01    A     S1     2  string2  string3
1  1990-01-01    A     S2     1  string1  string4
2  1990-01-01    A     S3     1  string5  string6

需要得到的结果：每个date和type对应唯一一行，将status对应的count展开为单独列，同时计算s1列的全局最小值、s2列的全局最大值：

date             type       S1    S2   S3    min_s1        max_s2
1990-01-01       A           2     1   1     string1      string6

尝试用pivot_table实现，但返回了多层列结构，不符合预期格式：

df.pivot_table(
    index=['date','type'],
    columns=['status'],
    values=['count','s1','s2'],
    aggfunc={
        'count':np.sum, 
        's1': np.min,
        's2': np.max
    }
)

拆分两步处理，先单独处理count的透视，再计算s1/s2的聚合值，最后合并结果，逻辑更清晰，结果完全符合要求：

1. 透视count列，将status转为列名：

count_df = df.pivot_table(
    index=['date', 'type'],
    columns='status',
    values='count',
    aggfunc=np.sum
).rename(columns=str).reset_index()

2. 按date和type分组，计算s1的最小值和s2的最大值：

agg_df = df.groupby(['date', 'type']).agg(
    min_s1=('s1', np.min),
    max_s2=('s2', np.max)
).reset_index()

3. 合并两个结果集：

final_result = pd.merge(count_df, agg_df, on=['date', 'type'])

如果想更简洁，也可以用join方式合并：

# 先生成count透视表
final_result = df.pivot_table(
    index=['date', 'type'],
    columns='status',
    values='count',
    aggfunc=np.sum
).rename(columns=str).reset_index()

# 计算聚合值并合并
agg_vals = df.groupby(['date', 'type'])[['s1', 's2']].agg(
    min_s1=('s1', 'min'),
    max_s2=('s2', 'max')
)
final_result = final_result.join(agg_vals, on=['date', 'type'])

执行后就能得到扁平列结构的预期结果。

另外，若一定要用单次pivot_table，需要手动扁平化多层列，但这种方式会生成按status分组的s1/s2值，不是全局的聚合结果，还需要额外补充全局聚合列，不如拆分处理直观。

内容的提问来源于stack exchange，提问作者Niuya