将不同聚合函数应用于数据帧的不同列的Python方法？为了高效地命名列？ 我的问题

在SQL中，很容易将不同的聚合函数应用于不同的列，例如：

select item, sum(a) as [sum of a], avg(b) as [avg of b], min(c) as [min of c]

在熊猫身上，没有那么多。 提供的解决方案已被弃用：

df.groupby('qtr').agg({"realgdp": {"mean_gdp": "mean", "std_gdp": "std"},
                                "unemp": {"mean_unemp": "mean"}})

我的解决方案 我设法找到的最差解决方案（主要基于我无法再找到的其他堆栈溢出问题）类似于底部的玩具示例，其中我：

• 定义一个包含我需要的所有计算的函数
• 分别计算每一列，然后将它们放在一个数据框中
• 将函数作为lambda函数应用：

我想改进的是：命名列 如果您只需要创建2或3列，那么这个解决方案非常好

但是，如果有许多列要计算，那么命名它们会变得非常复杂，而且非常容易出错：我必须创建一个列名称列表，并将该列表作为函数创建的数据帧的索引传递

现在想象一下，我已经有12列了，需要再添加3列；我可能会造成一些混乱，并以错误的顺序添加相应的列名

将此与SQL进行比较，SQL在定义计算后立即分配名称-区别在于白天和黑夜

有更好的方法吗？例如，在定义计算的同时指定列名称的方法

为什么这不是一个重复的问题 问题的重点是如何命名列，以尽量减少错误和混淆的风险。有一些类似的问题基于现在不推荐的pandas功能，或者提供自动列命名的答案，但据我所知，没有问题关注这一点

玩具示例

---

我不是专家，但我通常使用这样的字典：

将熊猫作为pd导入
将numpy作为np导入
df=pd.DataFrame（列=['a'，'b'，'c'，'d'，数据=np.random.rand（300,4））
df['city']=np.重复（['London'，'NewYork'，'Buenos Aires'，100）
def func（x，df）：
#在lambda函数中调用func（）；x是行，df是整个表
s_dict={}
s_dict['a'之和]=x['a'].sum（）
s_dict['%of a']=x['a'].sum（）/df['a'].sum（），如果df['a'].sum（）=0.np.nan
s_dict['b'的平均值]=x['b'].平均值（）
s_dict['a的加权平均值，由b'加权]=（x['a']*x['b']）.sum（）/x['b'].sum（）如果x['b'].sum（）大于0，则为np.nan
s_dict['c'之和]=x['c'].sum（）
s_dict['d'之和]=x['d'].sum（）
返回pd.系列（s_dict）
out=df.groupby（'city'）。应用（lambda x:func（x，df））

简洁性卓越-谢谢！我应该考虑一下：(

import pandas as pd
import numpy as np

df = pd.DataFrame(columns =['a','b','c','d'], data = np.random.rand(300,4))
df['city'] = np.repeat(['London','New York','Buenos Aires'], 100)

def func(x, df):
    # func() gets called within a lambda function; x is the row, df is the entire table    
    b1 = x['a'].sum()
    b2 = x['a'].sum() / df['a'].sum() if df['a'].sum() !=0 else np.nan
    
    b3 = x['b'].mean()
    
    b4 = ( x['a'] * x['b']).sum() / x['b'].sum() if x['b'].sum() >0 else np.nan
    
    b5 = x['c'].sum()
    b6 = x['d'].sum()
    
    
    cols = ['sum of a',
            '% of a',
            'avg of b',
            'weighted avg of a, weighted by b', 
            'sum of c',
            'sum of d']
    

    return pd.Series( [b1, b2, b3, b4, b5, b6] , index = cols ) 

out = df.groupby('city').apply(lambda x: func(x,df))