如何在Pandas中基于另一列的向下取整值对单列值求和？

嗨，我来帮你搞定这个数据聚合的需求！你需要把价格落在同一美元整数区间（向下取整后的数值）的商品，汇总它们的访问量和销量，同时还要保留原始价格方便后续做join操作对吧？下面给你两种常用工具的实现方法：

方法一：SQL实现（适合数据库端处理） #

如果你的数据存在数据库里，用窗口函数就能轻松解决——既保留每一行的原始数据，又能计算对应价格区间的总和：

SELECT
  product,
  price, -- 保留原始价格，用于后续join操作
  FLOOR(price) AS price_bucket, -- 生成向下取整的价格区间标识
  SUM(visits) OVER (PARTITION BY FLOOR(price)) AS total_visits_in_bucket,
  SUM(sales) OVER (PARTITION BY FLOOR(price)) AS total_sales_in_bucket,
  conversion -- 保留原始转化率字段
FROM sales_data;

解释：PARTITION BY FLOOR(price)会把所有价格向下取整后相同的行归为一组，SUM() OVER()函数会把每组的访问量/销量总和，赋值给组内的每一行。这样你拿到的结果里，每一行都保留了原始的price字段，同时多了对应区间的汇总数据，直接就能用来做后续的join。

方法二：Python Pandas实现（适合本地数据处理） #

如果是用Pandas处理本地数据集，用groupby + transform组合就能实现同样的效果：

import pandas as pd

# 假设你的数据存储在DataFrame df中
df['price_bucket'] = df['price'].apply(lambda x: int(x))  # 对正数价格，int()等价于向下取整
# 计算每个价格区间的总访问量，映射回原数据行
df['total_visits_in_bucket'] = df.groupby('price_bucket')['visits'].transform('sum')
# 计算每个价格区间的总销量，映射回原数据行
df['total_sales_in_bucket'] = df.groupby('price_bucket')['sales'].transform('sum')

解释：transform方法会在分组计算总和后，把结果匹配到原DataFrame的每一行里，这样所有原始字段（包括price）都会被保留，完全满足后续join的需求。

内容的提问来源于stack exchange，提问作者Brad Davis