pandas对列level1分配不同聚合函数实现分组聚合的问题

现有如下多层列索引的DataFrame：

albumin bilirubin albumin bilirubin
                                mean      mean   count     count
id             class                                    
142345             a            3.4       1.0     1.0       1.0
                   a            3.2       2.0     0.0       0.0
                   b            3.1       1.0     0.0       0.0
                   b            2.7       0.0     3.0       0.0

需求如下：

• 按行维度的['id', 'class']层级做分组聚合
• 针对列索引的level 1层级匹配不同聚合规则：level值为mean的列应用均值计算，level值为count的列应用求和计算
• 方案需要支持大量列的通用场景，无需硬编码列名

期望输出结果如下：

albumin bilirubin albumin bilirubin
                                mean      mean   count     count
id             class                                    
142345             a            3.3       1.5     1.0       1.0
                   b            2.9       0.5     3.0       0.0

尝试编写如下代码实现：

def f(x):
    aggs = {"mean": np.mean, "count": np.sum}
    func = aggs.get(x.name, np.sum)
    return func(x)
     
grouped=df.groupby(['id', 'class'], axis=0, level=1 ).apply(f)

运行后抛出报错：TypeError: 'Categorical' object is not callable，参考的同类方案无法直接适配当前场景。

报错核心原因：传入apply的对象是每个分组对应的子DataFrame，此时x.name返回的是分组键值（即class字段的分类类型值），并非列的二级索引名，无法匹配到预设的聚合函数，触发类型错误。

通用实现代码如下，无需硬编码列名，可自动适配任意数量符合规则的列：

import pandas as pd
import numpy as np

# 配置列二级索引与聚合函数的映射关系，后续新增规则直接追加键值对即可
agg_rule = {
    "mean": np.mean,
    "count": np.sum
}

# 按行索引的id、class层级分组
df_group = df.groupby(level=["id", "class"])

# 按列二级索引拆分，分别应用对应聚合规则后拼接，还原多层列结构
result = pd.concat(
    [
        df_group[df.columns[df.columns.get_level_values(1) == col_level]].agg(agg_func)
        for col_level, agg_func in agg_rule.items()
    ],
    axis=1
)

# 对齐原表列顺序
result = result[df.columns]

方案说明：

• 自动识别所有列的二级索引值，匹配对应聚合逻辑，无需手动指定albumin/bilirubin等一级列名
• 后续新增二级索引规则时，只需要在agg_rule字典中追加对应映射即可，比如要给二级索引为max的列应用最大值计算，直接添加"max": np.max即可
• 最终输出的列顺序和原表完全一致，不会出现列错位问题

内容的提问来源于stack exchange，提问作者jpetot