如何自动化按DataFrame的Brand列各品牌值逐行过滤并完成统计计算

你完全不需要手动为每个品牌编写过滤规则，用pandas内置的groupby方法就可以实现自动按Brand列唯一值批量分组统计，比你自己写循环生成掩码的逻辑更简洁、执行效率也更高。

前置数据预处理 #

你示例中的value列是带千分位分隔符的字符串格式，先转成数值类型方便后续统计计算：

import pandas as pd

# 假设你已经将原始数据读入为df对象
df['value'] = df['value'].str.replace('.', '').astype(int)

方案1：groupby批量统计（推荐） #

groupby会自动遍历Brand列所有唯一值，将相同品牌的行归为一组，你只要自定义统计逻辑即可，会自动覆盖所有品牌：

示例：计算每个品牌的平均评分、总价值、评分≥60的占比（百分比） #

def calc_stats(group):
    total_count = len(group)
    high_rating_pct = (group['rating'] >= 60).sum() / total_count * 100
    return pd.Series({
        '平均评分': group['rating'].mean(),
        '总价值': group['value'].sum(),
        '高分占比(%)': round(high_rating_pct, 2)
    })

# 按Brand列分组执行统计
stat_result = df.groupby('Brand', as_index=False).apply(calc_stats).reset_index(drop=True)

如果你实际要统计的是主品牌维度（比如示例中的雷诺Renault、雪佛兰Chevrolet，不是完整的品牌+车型组合），先提取主品牌再分组即可：

# 提取主品牌：取Brand列的第一个单词
df['主品牌'] = df['Brand'].str.split().str[0]
# 按主品牌分组统计
stat_result = df.groupby('主品牌', as_index=False).apply(calc_stats).reset_index(drop=True)

方案2：循环过滤实现（仅适合特殊复杂统计场景） #

如果你的统计逻辑非常特殊，必须单独处理每个品牌的过滤结果，可以遍历你已经提取的唯一品牌列表，逐个生成过滤掩码：

# 提取Brand列所有唯一值
unique_brands = df['Brand'].unique()
result_list = []

for brand in unique_brands:
    # 生成当前品牌的过滤掩码
    filter_mask = df['Brand'] == brand
    # 过滤得到当前品牌的所有数据行
    brand_data = df[filter_mask]
    # 此处替换为你自己的统计逻辑
    result_list.append({
        '品牌': brand,
        '平均评分': brand_data['rating'].mean(),
        '车型数量': len(brand_data)
    })

# 转换为DataFrame格式
stat_result = pd.DataFrame(result_list)

两种方案都可以自动覆盖Brand列所有存在的品牌，你只需要修改统计逻辑部分为你需要的百分比、求和等计算规则即可。

内容的提问来源于stack exchange，提问作者juan camilo