Python按多列分组，创建字符串列表，但对数字求和

目前，我的数据帧看起来类似于：

     ID  Year   Str1     Str2     Value
0    1   2014   high     black    120
1    1   2015   high     blue     20
2    2   2014   medium   red      10
3    2   2014   medium   blue     50
4    3   2015   low      blue     30
5    3   2015   high     blue     .5
6    3   2015   high     red      10

期望的：

     ID  Year   Str1        Str2          Value
0    1   2014   high        black         120
1    1   2015   high        blue          20
2    2   2014   medium      red, blue     60
3    3   2015   low, high   blue, red     40.5

尝试按列ID和列名称分组，然后获取数字的总和，但得到一个字符串列表。如果可以像示例中那样删除重复的字符串，这将很有帮助，但不是必需的

此操作将对大约100个数据帧执行，ID和Year是每个数据帧中唯一可以找到的列名。数据帧确实略有不同：它们有value列、str列或两者兼有

我浏览了很多stackoverflow并尝试：

df.groupby(['ID', 'Year'], as_index=False).agg(lambda x: x.sum() if x.dtype=='int64' else ', '.join(x))

导致错误的DataFrame对象没有属性dtype（这很有意义，因为按多列分组会返回更多的数据帧）

我还试着一列一列地循环，如果列中有数字，它会计算总数，否则会列出一个列表：

for col in df:
    if col in ['ID', 'Year']:
        continue 

    if df[col].dtype.kind == 'i' or df[col].dtype.kind == 'f':
         df = df.groupby(['ID', 'Year'])[col].apply(sum)
    else:
         df = df.groupby(['ID', 'Year'])[col].unique().reset_index()

但是，在第一次执行该操作后，它去掉了所有其他列

---

提前感谢。

您需要检查

数值列是否为
列，例如：


我有一个类似的问题，所以假设我有一个这样的数据列，我想通过电子邮件分组，并对不同的列执行不同的agg函数，所以标准的groupby函数不够好

无论如何，这里有一个虚拟数据集：

    Email            Phone          State
0   email@gmail.com 123-456-7890    NY
1   email@gmail.com 321-654-0987    LA
2   person@gmail.com    123-789-4567    WA
3   dummy@gmail.com 873-345-3456    MN
4   dummy@gmail.com 123-345-3456    NY
5   email@gmail.com 000-000-0000    KY

知道哪一个是第一个被复制的项目会很有用，所以我们会处理它，而忽略其他项目。首先，我要标记第一个重复项

这看起来很复杂，但它所做的是：获取所有复制的
真实VAL列表
，并对所有第一个复制的
真实VAL列表执行and操作。

df["first_dupe"] = df.duplicated("Email", keep=False) & ~df.duplicated("Email", keep="first")

然后将此函数应用于数据帧：

def combine_rows(row, key="Email", cols_to_combine=["Phone", "State"]):
    """takes in a row, looks at the key column
        if its the first dupe, combines the data in cols_to_combine with the other rows with same key
        needs a dataframe with a bool column first_dupe with True if the row is the first dupe"""

    if row["first_dupe"] == True:
        # making a df of dupes item
        dupes = df[df[key]==row[key]]

        for i, dupe_row in dupes.iloc[1:].iterrows():   # skipping the first row, since thats our first_dupe
            for col in cols_to_combine:
                row[col] += ", " + dupe_row[col]
        # make sure first_dupe doesn't get processed again
        row.first_dupe = False  
    return row

df = df.apply(combine_rows, axis=1, result_type=None)

您可以修改combine rows函数，对不同的列执行不同的操作。
如果有人遇到奇怪的行为，而不是获得正确的列表/总和，您会得到每行的列名列表，数据中可能有NaN值。将NaN值替换为
df=df。需要使用fillna（“”）
才能工作。
df["first_dupe"] = df.duplicated("Email", keep=False) & ~df.duplicated("Email", keep="first")

def combine_rows(row, key="Email", cols_to_combine=["Phone", "State"]):
    """takes in a row, looks at the key column
        if its the first dupe, combines the data in cols_to_combine with the other rows with same key
        needs a dataframe with a bool column first_dupe with True if the row is the first dupe"""

    if row["first_dupe"] == True:
        # making a df of dupes item
        dupes = df[df[key]==row[key]]

        for i, dupe_row in dupes.iloc[1:].iterrows():   # skipping the first row, since thats our first_dupe
            for col in cols_to_combine:
                row[col] += ", " + dupe_row[col]
        # make sure first_dupe doesn't get processed again
        row.first_dupe = False  
    return row

df = df.apply(combine_rows, axis=1, result_type=None)