咨询Pandas按多分组条件计算指定行平均值的更简洁实现方案

首先注意你现有代码的两处可优化点：

1. 需求要求计算A1、A2的Value平均值，但现有代码聚合用的是np.sum，如果需要取平均替换为np.mean即可
2. 分组得到的df1未主动设置Class='A12'，最终拼接结果中A类聚合行的Class列会缺失，需要补充该字段

方案1：简化版拼接逻辑（贴合你原有思路，无冗余中间变量） #

import pandas as pd
import numpy as np

res = pd.concat(
    [
        # 处理A1/A2分组聚合，直接赋值Class为A12
        df.loc[df['Class'].isin(['A1', 'A2'])]
          .groupby(['Location', 'Type'], as_index=False)
          .agg({'Value': np.mean})
          .assign(Class='A12'),
        # 直接保留所有B类行
        df.loc[df['Class'] == 'B']
    ], 
    ignore_index=True # 自动重置索引，避免索引重复
)

该写法把你原有4行中间变量的逻辑合并为单表达式，代码更紧凑，同时自动处理了索引和Class字段赋值的问题。

方案2：自定义分组键逻辑（适用于后续扩展聚合规则） #

如果你后续可能新增更多Class的合并聚合规则，可以用自定义分组键的方式实现：

# 定义分组规则：同一Location、Type下，A1/A2视为同一组，每个B类单独为一组
df['group_key'] = df.apply(
    lambda row: f"{row['Location']}_{row['Type']}_A12" if row['Class'] in ['A1','A2'] 
    else f"{row['Location']}_{row['Type']}_B_{row.name}", 
    axis=1
)
# 按分组键聚合，保留需要的字段
res = df.groupby('group_key', as_index=False).agg(
    Location=('Location', 'first'),
    Type=('Type', 'first'),
    Class=('Class', lambda x: 'A12' if x.isin(['A1','A2']).any() else x.iloc[0]),
    Value=('Value', 'mean')
).drop('group_key', axis=1)

内容的提问来源于stack exchange，提问作者Kimchi