如何通过Pandas GroupBy实现分组内基于前序记录的列计算？

嘿，我来帮你搞定这个Pandas的分组计算需求！先明确你的核心要求：按id分组，组内先按Col_2排序，然后生成两个新列：

• Col_1_Sum：当前行之前所有行的Col_1值之和
• Col_2_Max：当前行之前最近一次出现Col_1=1的行的Col_2值，没有的话填0

先把你的原始数据用Pandas构造出来，方便复现：

import pandas as pd

df = pd.DataFrame({
    'id': [1,1,1,1,1,2,2],
    'Col_1': [0,1,1,0,1,0,0],
    'Col_2': [21,24,32,35,37,2,5]
})

步骤1：先按分组排序 #

首先必须按id分组，组内按Col_2升序排序，确保后续的“前序行”是符合你要求的顺序：

# 按id分组，组内按Col_2升序排列，重置索引
df_sorted = df.sort_values(['id', 'Col_2']).reset_index(drop=True)

步骤2：计算Col_1_Sum（前序Col_1累加和） #

这个需求可以用分组后的shift(1) + cumsum()实现：shift(1)把每个Col_1值向下移动一行，这样当前行对应的就是之前所有行的Col_1值，再用cumsum()累加，最后用fillna(0)处理组内第一行没有前序的情况：

# 分组计算前序Col_1的累加和
df_sorted['Col_1_Sum'] = df_sorted.groupby('id')['Col_1'].apply(
    lambda x: x.shift(1).cumsum().fillna(0)
).astype(int)

步骤3：计算Col_2_Max（最近Col_1=1的Col_2最大值） #

这个需要跟踪最近的有效Col_2值，我们可以分三步处理：

1. 先创建辅助列，只保留Col_1=1的行的Col_2值，其他行设为缺失值
2. 分组后用ffill()向前填充，把最近的有效Col_2值传递给后续行
3. 修正组内第一行的特殊情况（不管第一行Col_1是不是1，Col_2_Max都为0）

代码实现：

# 步骤1：创建辅助列，标记Col_1=1的行的Col_2值
df_sorted['_col2_temp'] = df_sorted.apply(
    lambda x: x['Col_2'] if x['Col_1'] == 1 else pd.NA,
    axis=1
)

# 步骤2：分组向前填充最近的有效Col_2值，缺失值填0
df_sorted['Col_2_Max'] = df_sorted.groupby('id')['_col2_temp'].ffill().fillna(0).astype(int)

# 步骤3：修正组内第一行的Col_2_Max为0（符合预期结果要求）
df_sorted['Col_2_Max'] = df_sorted.groupby('id')['Col_2_Max'].transform(
    lambda x: x.mask(x.index == x.index[0], 0)
)

# 删除辅助列
df_sorted = df_sorted.drop('_col2_temp', axis=1)

最终结果 #

运行完上面的代码后，输出df_sorted就能得到你想要的结果：

id  Col_1  Col_2  Col_1_Sum  Col_2_Max
0   1      0     21          0          0
1   1      1     24          0          0
2   1      1     32          1         24
3   1      0     35          2         32
4   1      1     37          2         32
5   2      0      2          0          0
6   2      0      5          0          0

关键要点总结 #

• 分组内排序是基础：必须先按id分组，组内按Col_2排序，才能保证“前序行”是你需要的顺序
• 前序累加的技巧：用shift(1)跳过当前行，再用cumsum()实现分组内的前序累加
• 跟踪最近有效值：通过标记有效行+向前填充，再修正边界情况，就能实现对最近Col_1=1的Col_2值的跟踪

内容的提问来源于stack exchange，提问作者Soroosh