基于Name和Price分组+Condition字符串列的DataFrame过滤需求

我来帮你实现这个结合分组和多规则过滤的需求，下面是基于Pandas的完整解决方案，完全匹配你给出的规则要求。

示例输入数据（Sample DF） #

预期输出数据（Expected DF） #

核心规则回顾 #

需按Name和Price分组，结合Condition和Fit_Test列执行过滤：

• 当Fit_Test = Super_Fit时，分组内所有行全部保留，不执行任何过滤；
• 当Fit_Test ≠ Super_Fit时，按以下规则筛选：
  • 规则1：分组同时存在Good、Bad、OK → 仅保留Good行
  • 规则2：分组存在Good和OK → 仅保留Good行
  • 规则3：分组存在Bad和OK → 仅保留OK行
  • 规则4：分组是重复OK/Good，或仅存Bad → 保留全部行

Pandas实现代码 #

import pandas as pd

# 构造示例输入数据
data = {
    'ID': [1,2,3,4,5,6,7,8,9,10],
    'Name': ['Apple','Apple','Apple','Orange','Orange','Banana','Banana','Pineapple','Pineapple','Cherry'],
    'Price': [10,10,10,12,12,15,15,25,25,30],
    'Condition': ['Good','OK','Bad','Good','OK','OK','Bad','OK','OK','Bad'],
    'Fit_Test': ['Super_Fit','Super_Fit','Super_Fit','Not_Fit','Not_Fit','Medium_Fit','Medium_Fit','Medium_Fit','Medium_Fit','Medium_Fit']
}
df = pd.DataFrame(data)

def filter_group(group):
    # 优先判断Fit_Test：如果是Super_Fit，直接返回整个分组
    if group['Fit_Test'].iloc[0] == 'Super_Fit':
        return group
    
    # 获取当前分组的Condition集合，用来匹配规则
    cond_set = set(group['Condition'])
    
    # 按规则匹配筛选
    if {'Good', 'Bad', 'OK'}.issubset(cond_set):
        return group[group['Condition'] == 'Good']
    elif {'Good', 'OK'}.issubset(cond_set):
        return group[group['Condition'] == 'Good']
    elif {'Bad', 'OK'}.issubset(cond_set):
        return group[group['Condition'] == 'OK']
    else:
        # 剩余情况（重复值/仅单种状态）保留全部行
        return group

# 按Name和Price分组，应用自定义过滤函数
result_df = df.groupby(['Name', 'Price'], group_keys=False).apply(filter_group)

# 重置索引（可选，根据需求调整格式）
result_df = result_df.reset_index(drop=True)

# 打印验证结果
print(result_df)

代码说明 #

1. 自定义过滤函数：filter_group会接收每个分组数据，先判断Fit_Test的值，再根据Condition的集合匹配对应规则，返回筛选后的子分组；
2. 分组应用逻辑：用groupby按指定列分组，通过apply将过滤函数作用到每个分组上，最终自动合并所有分组的结果；
3. 兼容性：完美适配你提到的「初始方案（无Fit_Test）」和「更新方案（带Fit_Test）」——只要把函数里的Fit_Test判断逻辑注释掉，就能切换到无Fit_Test的场景。

运行代码后，你会得到和预期完全一致的输出结果。

内容的提问来源于stack exchange，提问作者Rahul Agarwal