Python中GroupBy实现单列多聚合计算的方法咨询

嘿，这个需求其实挺常见的，Pandas提供了几种简洁的方式来实现对同一列同时应用多个聚合函数，我给你详细说明下：

方法1：给列名传递聚合函数列表 #

你可以在agg()方法的字典参数里，给目标列（比如这里的A列）传入一个包含多个聚合函数的列表，Pandas会自动为该列生成对应的聚合结果，返回的是带多级列名的DataFrame。

示例代码：

import numpy as np
import pandas as pd

# 生成示例数据
df = pd.DataFrame(np.random.randint(0,5,size=(20, 3)), columns=list('ABC'))
print("原始数据：")
print(df)

# 按C列分组，对A列同时取最大、最小值，对B列取最小值
grouped_df = df.groupby('C').agg({
    'A': ['max', 'min'],
    'B': ['min']
})

print("\n分组聚合结果（多级列名）：")
print(grouped_df)

这种方式的输出里，列名是两层结构：第一层是原列名（A、B），第二层是聚合函数名（max、min）。如果要访问A列的最大值，可以用grouped_df['A']['max']来获取。

方法2：自定义聚合结果的列名（更直观） #

如果觉得多级列名不够清晰，你可以使用pd.NamedAgg来为每个聚合结果指定自定义列名，这样输出的DataFrame列名会更简洁易懂，后续访问数据也更方便。

示例代码：

import numpy as np
import pandas as pd

df = pd.DataFrame(np.random.randint(0,5,size=(20, 3)), columns=list('ABC'))
print("原始数据：")
print(df)

# 自定义列名的聚合方式
grouped_df = df.groupby('C').agg(
    A_max=pd.NamedAgg(column='A', aggfunc='max'),
    A_min=pd.NamedAgg(column='A', aggfunc='min'),
    B_min=pd.NamedAgg(column='B', aggfunc='min')
)

print("\n分组聚合结果（自定义列名）：")
print(grouped_df)

这个方法生成的结果里，列名直接是A_max、A_min、B_min，你可以直接通过这些列名访问对应的数据，不用处理多级索引。

另外，你也可以用lambda函数或者numpy的聚合函数（比如np.max、np.min）替换示例里的字符串函数名，效果完全一致，比如把'max'换成np.max也是可行的。

内容的提问来源于stack exchange，提问作者Giladbi