基于城市与区域列的Pandas DataFrame特定条件聚合计算问询

没问题！这在Pandas里完全能实现，我来一步步给你拆解操作方法：

首先得先把那些既有买入又有卖出记录的(City, Zone)组挑出来，毕竟我们只需要对这类组合做后续计算。这里有两种简洁的实现方式：

方法一：先找出有效组合再筛选 #

# 假设你的DataFrame叫df，交易类型列是'Type'
# 统计每个(City, Zone)组里的交易类型种类数，筛选出至少包含2种的组
valid_groups = df.groupby(['City', 'Zone'])['Type'].nunique() >= 2
# 获取符合条件的(City, Zone)组合
valid_pairs = valid_groups[valid_groups].index
# 从原DataFrame里筛选出这些组合的记录
filtered_df = df[df.set_index(['City', 'Zone']).index.isin(valid_pairs)]

方法二：用transform标记有效行 #

# 给每行标记所在组是否同时有Buy和Sell
df['has_both_types'] = df.groupby(['City', 'Zone'])['Type'].transform(lambda x: x.nunique() >= 2)
# 筛选出有效行并去掉标记列
filtered_df = df[df['has_both_types']].drop('has_both_types', axis=1)

接下来针对这些有效组，就可以按照你说的规则来处理了。比如你提到“若卖出记录多于买入，仅保留……”，我举两个常见的场景示例，你可以根据自己的实际需求调整：

示例1：保留数量较多的交易类型的所有记录 #

比如卖出多就留所有卖出记录，买入多就留所有买入记录，数量相等时可以选择保留全部：

def process_group(group):
    buy_count = (group['Type'] == 'Buy').sum()
    sell_count = (group['Type'] == 'Sell').sum()
    
    if sell_count > buy_count:
        return group[group['Type'] == 'Sell']
    elif buy_count > sell_count:
        return group[group['Type'] == 'Buy']
    else:
        # 数量相等时的自定义处理，这里选择保留全部记录
        return group

# 对每个有效组应用处理函数，最后重置索引
result = filtered_df.groupby(['City', 'Zone']).apply(process_group).reset_index(drop=True)

示例2：计算每组的净交易量（以金额为例） #

如果你的数据有金额列（比如叫'Amount'），可以计算每组的净金额（比如买入为正，卖出为负，求和得到净量）：

# 先给交易类型标记正负值，根据你的数据逻辑调整正负
df['signed_amount'] = df.apply(lambda row: row['Amount'] if row['Type'] == 'Buy' else -row['Amount'], axis=1)
# 对有效组计算净金额
net_result = filtered_df.groupby(['City', 'Zone'])['signed_amount'].sum().reset_index(name='net_amount')

就像你说的例子，Cardiff Zone 2因为只有一条记录，会被第一步的筛选排除；而Cardiff Zone 1和Bristol Zone 1会被保留，然后按照你设定的规则完成聚合。

内容的提问来源于stack exchange，提问作者JRH31