Pandas分组合并行：按日期与类别聚合生成占比详情列的实现

我有一个大型的Pandas DataFrame，结构如下：

+----------------------------------------------------------+
| Date       Category Location ImpactRate |
+----------------------------------------------------------+
| 2018-04-22 Outage   MT       0.05194    |
| 2018-04-22 Outage   ND       0.02552    |
| 2018-04-22 Outage   SD       0.09962    |
| 2018-04-24 Transport TX       0.03111    |
+----------------------------------------------------------+

我期望生成如下格式的输出：

+-----------------------------------------------------------------------------------+
| Date       Category ImpactRate Break Down |
+-----------------------------------------------------------------------------------+
| 2018-04-22 Outage   0.17708    MT (29.3%) SD (14.4%) ND (56.3%) |
| 2018-04-24 Transport 0.03111    TX (100.0%) |
+-----------------------------------------------------------------------------------+

简单来说，就是要按Date和Category分组：

• 计算每组ImpactRate的总和
• 把组内每个Location和对应的占比（该Location的ImpactRate/组总和×100，保留1位小数）格式化成Location (XX.X%)的形式，再拼接成字符串

我的两次尝试均未成功 #

第一次尝试 - GroupBy #

我想用GroupBy来拆分数据，但结果生成的DataFrame有大量NaN值，而且新增的列还需要额外做格式化处理，完全没达到预期效果：

grouped_df = df.groupby('Date')['ImpactRate'].apply(list).apply(pd.Series).rename(columns=df['Location'])

第二次尝试 - 使用itertuples()循环 #

我尝试用itertuples()迭代每行数据，想手动处理分组逻辑，但最后只得到了一个包含所有ImpactRate的大列表，相当于绕回了原点：

r = []
for item in df.itertuples():
    temp_x = df.loc[((df['Category'] == item[2]) & (df['Date'] == item[1]))
    for i in range(temp_x.shape[0]):
        r.append(temp_x['ImpactRate'].iloc[i])

现在我有点摸不着头绪，猜测可能需要在迭代中创建嵌套列表来处理分组，但始终找不到正确的实现方式。请问如何用最Pythonic的方式实现这个需求？ 希望能给出详细的解释，方便我理解和学习！

内容的提问来源于stack exchange，提问作者NRH