Pandas DataFrame按Store_Code分组实现多列自定义聚合操作问询

没问题，这在Pandas里完全可以轻松实现！你需要用到groupby配合agg()方法——它支持给不同列指定不同的聚合规则，完美对应你要的SQL式多列聚合需求。

先还原你的示例数据集 #

首先我们把你给出的数据转换成Pandas DataFrame：

import pandas as pd

data = pd.DataFrame({
    'Store_Code': [1, 2, 2, 1, 1],
    'Brand_Code': [18, 17, 17, 17, 18],
    'Sales_Price': [28.00, 105.33, 65.33, 30.67, 6.67]
})

实现自定义分组聚合 #

我们的目标是：

• 按Store_Code分组
• 对Brand_Code取出现频率最高的值（众数）
• 对Sales_Price可以选择均值、求和等聚合操作（这里以均值为例，你可以按需替换）

直接用agg()方法，传入一个字典来指定每列的聚合规则：

# 定义聚合规则：键是列名，值是对应的聚合逻辑
aggregation_rules = {
    # 取Brand_Code的众数（如果有多个众数，取第一个）
    'Brand_Code': lambda x: x.mode().iloc[0],
    # 对Sales_Price取均值，换成'sum'就是求和，按需调整
    'Sales_Price': 'mean'
}

# 执行分组聚合，as_index=False让Store_Code作为普通列而不是索引
result = data.groupby('Store_Code', as_index=False).agg(aggregation_rules)

print(result)

运行结果 #

输出会是：

Store_Code  Brand_Code  Sales_Price
0           1          18    21.780000
1           2          17    85.330000

额外说明 #

1. 关于Brand_Code的众数处理：如果某个Store下有多个Brand出现次数相同（比如Store1的Brand18和17各出现2次），x.mode().iloc[0]会取第一个出现的众数。如果你想保留所有众数，去掉.iloc[0]即可，结果会以列表形式返回。
2. Sales_Price的其他聚合方式：你可以把'mean'换成'sum'、'max'、'min'，甚至自定义lambda函数（比如lambda x: x.sum()/len(x)*1.1）。
3. 保留Sales_Price原值：如果需要保留每个分组下的所有Sales_Price明细，把对应的规则改成lambda x: list(x)即可，结果列会是包含所有原值的列表。

这种方式完全对应你想要的SQL多聚合逻辑，比单一的sum()灵活太多啦！

内容的提问来源于stack exchange，提问作者Richesh Chouksey