Pandas Groupby 对特定列进行聚合函数，显示结果中的所有列

Question

我想要一个基于 id 的 grouby 和 sum，但显示所有列作为结果。示例代码import pandas as pdimport numpy as npmre = [    ["2018-1", "Sold", 109000.0, "Appartement", 73.0, 4.0],    ["2018-1", "Sold", 109000.0, "Appartement", "NaN", 0.0],    ["2018-2", "Sold", 239300.0, "House", 163.0, 4.0],    ["2018-2", "Sold", 239300.0, "House", 51.0, 2.0],    ["2018-2", "Sold", 239300.0, "House", 51.0, 2.0]]df = pd.DataFrame(mre)# Rename columnsdf.columns = ["_idMutation", "typeOfSearch",              "price", "typeOfBuilding", "surface", "nbRoom"]df["surface"] = df["surface"].astype(float)print(df)基础数据框  _idMutation typeOfSearch     price typeOfBuilding  surface  nbRoom0      2018-1         Sold  109000.0    Appartement     73.0     4.01      2018-1         Sold  109000.0    Appartement      NaN     0.02      2018-2         Sold  239300.0          House    163.0     4.03      2018-2         Sold  239300.0          House     51.0     2.04      2018-2         Sold  239300.0          House     51.0     2.0预期成绩是groupby基于_idMutation，它对surface和 进行求和nbRoom，但不影响其他行。我想显示所有列，删除重复项_idMutation并显示结果groupby  _idMutation typeOfSearch     price typeOfBuilding surface  nbRoom0      2018-1         Sold  109000.0    Appartement    73.0     4.01      2018-2         Sold  239300.0          House   265.0     8.0当前代码以下解决方案产生预期结果。我有 1460 万行，而我提出的解决方案看起来并没有优化。# Groupby on _idMutation & sum ["surface", "nbRoom"]gb_df = df[["surface", "nbRoom"]].groupby(df["_idMutation"]).sum()# Delete duplicates _idMutationdf.drop_duplicates(subset=["_idMutation"], inplace=True)# Set _idMutation as df indexdf.set_index("_idMutation", inplace=True)# Concat df with gb_dfdf = pd.concat(    [df[["typeOfSearch", "price", "typeOfBuilding"]], gb_df], axis=1)

Answer 1

我们可以使用GroupBy.agg字典来使用和设置每列所需的聚合方法。在这种情况下，我们只需要first和sum：

dfg = df.groupby("_idMutation", as_index=False).agg({

    "typeOfSearch": "first",

    "price": "first",

    "typeOfBuilding": "first",

    "surface": "sum",

    "nbRoom": "sum"

})

  _idMutation typeOfSearch     price typeOfBuilding  surface  nbRoom

0      2018-1         Sold  109000.0    Appartement     73.0     4.0

1      2018-2         Sold  239300.0          House    265.0     8.0