如何为Pandas按列分组的GroupBy对象应用不同聚合规则？

当然有内置方法可以搞定这个需求！Pandas的GroupBy.agg()方法正好支持给不同分组指定不同的聚合逻辑，完全匹配你的场景。

完整代码示例 #

先还原你的数据和分组，然后直接用agg()实现：

import pandas as pd
import numpy as np

# 构造你的原始DataFrame
df = pd.DataFrame(
    [[2, 10.0, 0, 11], [5, np.nan, np.nan, 8]],
    index=['one', 'two'],
    columns=['B', 'C', 'D', 'E']
)

# 按列分组
groups = np.array(['min', 'max', 'min', 'max'])
grouped = df.groupby(groups, axis=1)

# 给不同分组应用对应聚合函数
result = grouped.agg({
    'min': lambda col: col.sum(axis=1),  # 默认skipna=True，自动忽略NaN
    'max': lambda col: col.sum(axis=1, skipna=False)  # 保留NaN，只要有一个NaN结果就是NaN
})

print(result)

输出结果 #

min   max
one     2  21.0
two     5   NaN

完全符合你的期望！

原理说明 #

• GroupBy.agg()接受一个字典参数，键是分组的名称（这里是'min'和'max'），值是要应用到该分组的聚合函数。
• 我们用lambda函数直接封装sum()的不同参数：min组用默认的skipna=True（求和时忽略NaN），max组强制skipna=False（只要分组内有NaN，求和结果就是NaN）。
• 如果你的聚合逻辑更复杂，也可以提前定义函数再传入，比如：

def sum_with_skipna(col):
    return col.sum(axis=1)

def sum_without_skipna(col):
    return col.sum(axis=1, skipna=False)

result = grouped.agg({'min': sum_with_skipna, 'max': sum_without_skipna})

这样代码可读性会更好。

内容的提问来源于stack exchange，提问作者Credics