Python 熊猫：执行多个复杂聚合的惯用方法？

我的表格如下：

ID   SCORE
A    NaN
A    NaN
B    1
B    2
C    5

我想要以下输出：

ID    SUM_SCORE   SIZE_SCORE
A     NaN         2
B     3           2
C     5           1

因为我想保留NaN，所以我需要使用

sum（min\u count=1）

。因此，到目前为止，我有以下几点：

grp = df.groupby('ID')
sum_score = grp['SCORE'].sum(min_count=1).reset_index()
size_score = grp['SCORE'].size().reset_index()
result = pd.merge(sum_score, size_score, on=['ID'])

---

这感觉真的很不雅。有没有更好的方法来获得我想要的结果？

您可以使用以下方法进行聚合：

s=df.groupby('ID').SCORE.agg([('sum_score',lambda x : x.sum(min_count=1)),
                             ('size_score','size')] ).reset_index()
  ID  sum_score  size_score
0  A        NaN           2
1  B        3.0           2
2  C        5.0           1

df_agg = df.groupby("ID", as_index=False).agg(["sum","count"])

# rename your columns
df_agg.columns = ["ID","SUM_SCORE", "SIZE_SCORE"]

---

IIUC是什么意思？很奇怪，我的数据集需要~7秒。分别计算它们需要0.046秒。知道为什么吗？@AlexanderDavid我不确定，如果你想加快速度，请分开做，然后返回。这不会保留NaN的，因为熊猫中的总和（[NaN，NaN]）默认为0。请看这里：啊，明白了。那很有趣。上面的答案看起来不错。