### 如何使用 Pandas 实现按某一列对另一列进行分组求和 在 Pandas 中，`groupby()` 方法可以用来按照指定的一列或多列的值对 DataFrame 进行分组，并通过聚合函数（如 `sum()`）来实现分组后的统计计算。以下是具体的操作方式： #### 使用 `groupby()` 和 `sum()` 完成分组求和 假设有一个名为 `df` 的 DataFrame，其中包含两列：`Category` 和 `Value`。目标是对 `Category` 列中的每一类别的 `Value` 值进行求和。 代码如下： ```python import pandas as pd # 创建示例数据 data = {'Category': ['foo', 'bar', 'foo', 'bar', 'foo', 'baz'], 'Value': [1, 2, 3, 4, 5, 6]} df = pd.DataFrame(data) # 按照 Category 列分组并对 Value 列求和 result = df.groupby('Category')['Value'].sum().reset_index() print(result) ``` 运行上述代码后，会得到一个新的 DataFrame，显示每种类别下的总和[^1]。 #### 输出结果解释 对于上面的例子，输出将是： ``` Category Value 0 bar 6 1 baz 6 2 foo 9 ``` 这表明类别 `'bar'` 下的总计为 6，类别 `'baz'` 下的总计为 6，而类别 `'foo'` 下的总计为 9。 #### 多列分组的情况 如果需要基于多列进行分组并完成求和，则可以在 `groupby()` 函数中传入多个字段名组成的列表。例如： ```python # 示例数据扩展至三列 data_extended = { 'Category': ['foo', 'bar', 'foo', 'bar', 'foo', 'baz'], 'Subcategory': ['X', 'Y', 'X', 'Y', 'Z', 'X'], 'Value': [1, 2, 3, 4, 5, 6] } df_extended = pd.DataFrame(data_extended) # 按照 Category 和 Subcategory 分组并对 Value 列求和 multi_result = df_extended.groupby(['Category', 'Subcategory'])['Value'].sum().reset_index() print(multi_result) ``` 此代码的结果将会展示不同组合下对应的汇总值[^3]。 #### 排序后再执行分组与累计求和 有时可能还需要先对某些特定列排序再做进一步处理。比如下面这段代码展示了如何先依据时间戳排序，接着按连接类型分组，并针对临时变量累积求和的过程[^2]: ```python wsw = pd.DataFrame({ 'Start Time': [3, 1, 2], 'Connection Type': ['wifi', 'ethernet', 'wifi'], 'temp': [10, 20, 30] }) # 首先对 Start Time 列排序 wsw_sorted = wsw.sort_values(by='Start Time') # 然后按 Connection Type 分组，并对 temp 列进行 cumsum 计算 wsw_sorted.loc[:, 'Connection Number'] = wsw_sorted.groupby('Connection Type')['temp'].cumsum() print(wsw_sorted) ``` 以上实例说明了当面对更复杂需求时，可以通过链式调用多种方法达成目的。