如何在Pandas DataFrame分组（groupby）的pipe函数中使用numpy.where？

首先得指出你当前代码的核心问题：你用groupby.pipe(func)的时候，传入func的是整个DataFrameGroupBy对象，而不是单个分组的DataFrame。所以你在func里直接写x['e']会报错——GroupBy对象是分组的集合，不能像普通DataFrame那样直接索引列。

其实你的需求里甚至不需要np.where，用Pandas的布尔索引就能更清晰地实现逻辑，下面我给你一步步拆解解决方案：

先明确你的核心需求 #

对每个(a,b)分组执行以下逻辑，生成列f：

1. 筛选出该组内e=True的行
2. 如果存在符合条件的行，取其中d的最小值，作为该组所有行的f值
3. 如果没有符合条件的行，返回0.0

方法一：用groupby.transform（最推荐，最贴合需求） #

transform的优势是会自动将分组计算的结果广播到组内每一行，并且和原DataFrame的索引完美对齐，最适合用来生成这种和原表同长的新列。

先写处理单个分组的函数：

def calculate_f(group):
    # 筛选当前组中e为True的行
    valid_rows = group[group['e']]
    if not valid_rows.empty:
        # 取d列的最小值
        return valid_rows['d'].min()
    else:
        return 0.0

然后用transform把函数应用到每个分组：

df['g'] = df.groupby(['a', 'b']).transform(calculate_f)

运行后你会发现，g列和你需要的f列完全一致！

方法二：如果一定要用pipe实现 #

如果你坚持要用pipe，那需要在pipe的处理函数里先对每个分组计算结果，再把结果映射回原DataFrame：

def process_groups(groupby_obj):
    # 先遍历每个分组，计算每个组的目标值
    group_results = groupby_obj.apply(
        lambda g: g[g['e']]['d'].min() if not g[g['e']].empty else 0.0
    )
    # 将分组结果合并回原DataFrame，保证每一行都能匹配到对应组的结果
    return df.merge(group_results.rename('g'), on=['a', 'b'], how='left')['g']

df['g'] = df.groupby(['a', 'b']).pipe(process_groups)

为什么你的原代码会报错？ #

你原代码里的pipe(func)传入的是整个GroupBy对象，而不是单个分组的DataFrame。这时候x['e']相当于尝试从分组集合中直接取列，这是不符合Pandas规则的——必须先遍历每个分组（比如用apply），才能访问单个分组内的列数据。

另外，其实你的需求完全不需要np.where，用布尔索引group[group['e']]筛选行，比np.where更符合Pandas的代码风格，也更易读。

验证结果 #

运行上述任意一种方法后，打印df可以看到：

a   b    c    d      e    f    g
0  1  10  0.3  3.0   True  2.0  2.0
1  2  40  0.2  1.0   True  1.0  1.0
2  1  20  0.6  5.0  False  0.0  0.0
3  1  10  0.4  1.0  False  2.0  2.0
4  2  40  0.5  7.0  False  1.0  1.0
5  1  10  0.2  2.0   True  2.0  2.0
6  1  20  0.8  2.0  False  0.0  0.0

g列和你需要的f列完全匹配，实现了你的需求。

备注：内容来源于stack exchange，提问作者learner