Pandas：条件组特定计算

假设我有一个带有键（例如客户 ID）和两个数字列 C1 和 C2 的表。我想按键（客户）对行进行分组，并在其列上运行一些聚合器，例如 sum 和 Mean 。在计算组聚合器之后，我想将结果分配回 DataFrame 中的每个客户行（因为一些客户范围的功能添加到每行）。

我可以看到我可以做类似的事情
df['F1'] = df.groupby(['Key'])['C1'].transform(np.sum)
如果我只想聚合一列并能够将结果添加回 DataFrame。

我可以将其设置为有条件吗 - 我可以仅将 C2 列等于某个数字 X 的行添加到组中的 C1 列，并且仍然能够将结果添加回 DataFrame 吗？

如何在行组合上运行聚合器，例如：
np.sum(C1 + C2)?

最简单、最优雅的实现方式是什么？最有效的方法是什么？这些聚合可以在一条路径中完成吗？

先感谢您。

这是一些虚拟数据的一些设置。

In [81]: df = pd.DataFrame({'Key': ['a','a','b','b','c','c'], 
                            'C1': [1,2,3,4,5,6],  
                            'C2': [7,8,9,10,11,12]})
In [82]: df['F1'] = df.groupby('Key')['C1'].transform(np.sum)

In [83]: df
Out[83]: 
   C1  C2 Key  F1
0   1   7   a   3
1   2   8   a   3
2   3   9   b   7
3   4  10   b   7
4   5  11   c  11
5   6  12   c  11

如果你想做一个条件GroupBy，你可以在数据帧传递到时过滤它.groubpy。例如，如果您希望在 C2 小于 8 或大于 9 时求“C1”的组总和。

In [87]: cond = (df['C2'] < 8) | (df['C2'] > 9)

In [88]: df['F2'] = df[cond].groupby('Key')['C1'].transform(np.sum)

In [89]: df
Out[89]: 
   C1  C2 Key  F1  F2
0   1   7   a   3   1
1   2   8   a   3 NaN
2   3   9   b   7 NaN
3   4  10   b   7   4
4   5  11   c  11  11
5   6  12   c  11  11

这是有效的，因为transform操作保留索引，因此它仍然会与原始数据帧正确对齐。

如果您想对两列的组总数求和，可能最容易做这样的事情？有人可能有更聪明的东西。

In [93]: gb = df.groupby('Key')

In [94]: df['C1+C2'] = gb['C1'].transform(np.sum) + gb['C2'].transform(np.sum)

编辑： 这是获取多列的组总计的另一种方法。该语法实际上并不是更清晰，但对于大量列可能更方便。

df['C1_C2'] = gb[['C1','C2']].apply(lambda x: pd.DataFrame(x.sum().sum(), index=x.index, columns=['']))