Python 在dataframe中使用多类别列计算行数的有效方法？

我有一个带有head

uid、col1、col2

的数据帧，其中

col1

具有

k1

唯一值（例如

a、b、c

），

col2

具有

k2

唯一值（例如“低”、“高”）。按

uid

分组后，如果我想计算被

col1=='a'

的数量，我会这样做

df.groupby("uid")['col1'].apply(lambda group: sum(group=='a')).reset_index(name="a_cnt")

如果我想计算被

col1=='a'和col2='low'

的数量，我会这样做

df.groupby("uid")['col1', 'col2'].apply(lambda group: sum((group['col1']=='a') & (group['col2']=='low'))).reset_index(name="a_low_cnt")  

---

是否有其他有效的方法可以做到这一点？

创建

掩码

，添加到数据框中，使用“按转换为数字”和“最后一次聚合”

求和

，以提高性能：

#first mask
#m = (df['col1']=='a')

#second mask
m = (df['col1']=='a') & (df['col2']=='low')

df = df.assign(new = m.astype(int)).groupby("uid")['new'].sum()

或：

---

创建

掩码

，使用convert to numbers by和last aggregate

sum添加到数据帧，以提高性能：

#first mask
#m = (df['col1']=='a')

#second mask
m = (df['col1']=='a') & (df['col2']=='low')

df = df.assign(new = m.astype(int)).groupby("uid")['new'].sum()

或：

谢谢在代码的第二部分中，我应该使用
df.groupby（'uid'）['col1'，'col2']
还是
df.groupby（'uid'）['col1'，'col2']]
？它们都给出了相同的结果，有什么不同吗？谢谢。在我的代码的第二部分中，我应该使用
df.groupby（'uid'）['col1'，'col2']
还是
df.groupby（'uid'）['col1'，'col2']]]
？它们都给我相同的结果，有什么区别吗？