Pandas groupby分组后如何基于指定列最值返回另一列对应值

核心需求为按item分组后，定位到每组内thing1取最小值、最大值的行，提取对应行的thing2值，以下是两种可直接复用的实现方案：

方案1：最值索引匹配（优先使用，性能最优） #

利用pandas Series自带的idxmin()/idxmax()方法，直接拿到分组内thing1最值对应的原始行索引，再通过索引匹配取对应thing2值，不需要全表排序，大数据量下性能优势明显。
示例代码：

import pandas as pd
import numpy as np

# 测试数据（和描述样例一致）
df = pd.DataFrame({
    'item': ['a', 'a', 'b', 'b', 'c', 'c'],
    'thing1': [2, 5, 4, 7, 1, 3],
    'thing2': [10, 20, 30, 50, 0, 100]
})

# 核心聚合逻辑
result = df.groupby('item', as_index=False).agg(
    # 如需同时输出thing1的最值，放开下面两行注释即可
    # thing1_min = ('thing1', 'min'),
    thing2_at_thing1_min = ('thing1', lambda col: df.loc[col.idxmin(), 'thing2']),
    # thing1_max = ('thing1', 'max'),
    thing2_at_thing1_max = ('thing1', lambda col: df.loc[col.idxmax(), 'thing2'])
)

运行后c组返回值为thing2_at_thing1_min=0、thing2_at_thing1_max=100，完全匹配预期结果。

注意：如果同组内thing1的最值存在多行重复值，该方法默认取首次出现的行对应的thing2值。

方案2：排序后取首尾（逻辑简单，适合小数据集） #

如果数据量在十万行以内，可以先对数据排序，分组后直接取组内首行、尾行的thing2值，代码可读性更高：

# 先按item分组，组内按thing1升序排列
df_sorted = df.sort_values(by=['item', 'thing1'])
# 组内首行对应thing1最小值，尾行对应thing1最大值
result = df_sorted.groupby('item', as_index=False).agg(
    thing2_at_thing1_min = ('thing2', 'first'),
    thing2_at_thing1_max = ('thing2', 'last')
)

该方案返回结果和方案1完全一致，缺点是全表排序在百万级以上数据量时耗时明显高于方案1。

避坑说明 #

之前使用的df.groupby('item').agg({'thing1' : [np.min, np.max]})只能直接计算thing1列本身的最值，无法关联同一行其他列的值；注意不要和直接取thing2列min/max的写法混淆——后者取的是thing2自身的最值，不是thing1取最值时对应的thing2值。

内容的提问来源于stack exchange，提问作者manny