如何使用Pandas按列分组并生成指定聚合列a_b_3

没问题，我来帮你搞定这个需求！你需要的是按_a分组后，计算每组中_b等于3的所有_c值的总和，然后把这个总和赋值给该分组下的每一行作为a_b_3列的值。下面是具体的实现方法：

方法一：先筛选再分组求和，用map映射 #

这是最直观且高效的方法，先筛选出符合条件的行再计算总和，最后映射回原DataFrame：

import numpy as np
import pandas as pd

# 先创建正确的初始DataFrame（修正了你原代码里的列名语法错误）
df = pd.DataFrame({
    '_a': [1,1,1,2,2,3,3],
    '_b': [3,3,5,3,7,3,9], 
    '_c': [10,11,12,13,14,15,16]
})

# 1. 计算每个_a分组中，_b=3的_c总和
sum_b3_per_group = df[df['_b'] == 3].groupby('_a')['_c'].sum()

# 2. 将总和映射到原DataFrame的每一行，生成a_b_3列
df['a_b_3'] = df['_a'].map(sum_b3_per_group)

print(df)

执行后输出的结果和你期望的完全一致：

_a  _b  _c  a_b_3
0   1   3  10     21
1   1   3  11     21
2   1   5  12     21
3   2   3  13     13
4   2   7  14     13
5   3   3  15     15
6   3   9  16     15

方法二：用groupby + transform实现 #

如果你更喜欢用transform方法一步完成，也可以这样写：

df['a_b_3'] = df.groupby('_a').apply(
    lambda group: group[group['_b'] == 3]['_c'].sum()
).reset_index(level=0, drop=True)

这个方法是直接对每个分组应用自定义函数，筛选出_b=3的行并求和，reset_index用来去掉分组索引，让结果能和原DataFrame匹配。

关键逻辑说明 #

• 核心是先拿到每个_a分组对应的目标总和，再将这个值广播到该分组的所有行上
• 方法一的优势在于先筛选再分组，减少了不必要的计算，在数据量较大时效率更高

内容的提问来源于stack exchange，提问作者spectrum