如何基于pandas DataFrame特定元素执行分组、删除、计数等操作

针对你提出的pandas操作需求，可通过布尔索引、分组API直接实现，无需依赖连续索引： #

1. 删除包含特定元素的行

你要删除所有含Honda的行，不需要用iloc定位连续索引，直接通过布尔匹配过滤即可：

# 仅匹配Name列为Honda的行并删除
df = df[df['Name'] != 'Honda']

# 若需要删除任意列中出现Honda的行，可使用如下写法
df = df[~df.isin(['Honda']).any(axis=1)]

执行后结果如下，已自动删除所有匹配行的全部列数据：

Name  Price  Year
1  Toyota   3000  2002
2  Toyota   2000  2002
3     BMW   4000  2003
4  Hyundai  6000  2004
5     BMW   8000  2005

2. 特定元素计数

统计指定元素的出现次数可直接用条件匹配或者value_counts：

# 统计Name列各品牌的出现次数
brand_count = df['Name'].value_counts()

# 单独统计Toyota的条目数
toyota_cnt = len(df[df['Name'] == 'Toyota'])

3. 不改变原结构的分组操作

你提到时间序列场景下分组会改变DataFrame结构，可使用transform方法实现分组统计同时保留原行数和索引：

# 先将Price列转为数值类型，方便聚合计算
df['Price'] = df['Price'].astype(int)
# 按品牌分组计算平均售价，结果回填到每一行，不改变原df结构
df['brand_avg_price'] = df.groupby('Name')['Price'].transform('mean')

如果需要生成聚合后的汇总表，正常使用groupby+聚合函数即可：

# 按品牌分组统计平均售价、最早生产年份
group_result = df.groupby('Name', as_index=False).agg(
    avg_price=('Price', 'mean'),
    min_year=('Year', 'min')
)

内容的提问来源于stack exchange，提问作者oneday