我认为我不能用groupby()或agg()来解决这个问题，就像这些问题（问题1，问题2）一样。
我有一个pandas.dataframe，它有一个标识符列(id_code)和一些信息列(信息1和信息2)。 我需要收集一些识别信息。 这意味着一些必须被删除，并且它们的信息必须被添加到特定的其他行中。
为了说明我的问题，我编造了一些东西:
import pandas as pd
inp = [{'ID_Code':1,'information 1':list(x * 3 for x in range(2, 5)),'information 2':list(x / 3 for x in range(2, 5))},
{'ID_Code':2,'information 1':list(x * 0.5 for x in range(2, 5)),'information 2':list(x / 2 for x in range(2, 5))},
{'ID_Code':3,'information 1':list(x * 0.2 for x in range(25, 29)),'information 2':list(x / 1 for x in range(2, 5))},
{'ID_Code':4,'information 1':list(x * 0.001 for x in range(102, 105)),'information 2':list(x / 12 for x in range(2, 5))},
{'ID_Code':5,'information 1':list(x * 12 for x in range(15, 17)),'information 2':list(x / 24 for x in range(2, 5))},
{'ID_Code':6,'information 1':list(x * 42 for x in range(2, 9)),'information 2':list(x / 48 for x in range(2, 5))},
{'ID_Code':7,'information 1':list(x * 23 for x in range(1, 2)),'information 2':list(x / 96 for x in range(2, 5))},
{'ID_Code':8,'information 1':list(x * 7.8 for x in range(8, 11)),'information 2':list(x / 124 for x in range(2, 5))}]
df = pd.DataFrame(inp)
print(df)
Out:
ID_Code information 1 information 2
0 1 [6, 9, 12] [0.6666666666666666, 1.0, 1.3333333333333333]
1 2 [1.0, 1.5, 2.0] [1.0, 1.5, 2.0]
2 3 [5.0, 5.2, 5.4, 5.6000000000000005] [2.0, 3.0, 4.0]
3 4 [0.10200000000000001, 0.10300000000000001, 0.10400000000000001] [0.16666666666666666, 0.25, 0.3333333333333333]
4 5 [180, 192] [0.08333333333333333, 0.125, 0.16666666666666666]
5 6 [84, 126, 168, 210, 252, 294, 336] [0.041666666666666664, 0.0625, 0.08333333333333333]
6 7 [23] [0.041666666666666664, 0.0625, 0.08333333333333333]
7 8 [62.4, 70.2, 78.0] [0.016129032258064516, 0.024193548387096774, 0.03225806451612903]
如果我想去掉id_code=1并将其信息存储在id_code=3中，并且去掉id_code=5和id_code=7并将该信息存储在id_code=2中，那么我需要做什么，以便数据帧如下所示:
ID_Code information 1 information 2
0 2 [180, 192, 23, 1.0, 1.5, 2.0] [0.08333333333333333, 0.125, 0.16666666666666666, 0.041666666666666664, 0.0625, 0.08333333333333333, 1.0, 1.5, 2.0]
1 3 [6, 9, 12, 5.0, 5.2, 5.4, 5.6000000000000005] [2.0, 3.0, 4.0]
2 4 [0.10200000000000001, 0.10300000000000001, 0.10400000000000001] [0.6666666666666666, 1.0, 1.3333333333333333, 0.16666666666666666, 0.25, 0.3333333333333333]
3 6 [84, 126, 168, 210, 252, 294, 336] [0.041666666666666664, 0.0625, 0.08333333333333333]
4 8 [62.4, 70.2, 78.0] [0.016129032258064516, 0.024193548387096774, 0.03225806451612903]
您可以将id_code设置为索引，并使用列表理解更新:
df=df.set_index('ID_Code')
df.loc[3] = [x+y for x,y in zip(df.loc[1], df.loc[3])]
df = df.drop(1)
您可以有条件地更改df['id_code']，然后对列进行求和。
col = 'ID_Code'
cond = [df[col].eq(1),
df[col].isin([5,7])]
outputs = [3,2]
df[col] = np.select(cond,outputs,default=df[col])
df1 = df.groupby(col).sum()
print(df1)
information 1 \
ID_Code
2 [1.0, 1.5, 2.0, 180, 192, 23]
3 [6, 9, 12, 5.0, 5.2, 5.4, 5.6000000000000005]
4 [0.10200000000000001, 0.10300000000000001, 0.1...
6 [84, 126, 168, 210, 252, 294, 336]
8 [62.4, 70.2, 78.0]
information 2
ID_Code
2 [1.0, 1.5, 2.0, 0.08333333333333333, 0.125, 0....
3 [0.6666666666666666, 1.0, 1.3333333333333333, ...
4 [0.16666666666666666, 0.25, 0.3333333333333333]
6 [0.041666666666666664, 0.0625, 0.0833333333333...
8 [0.016129032258064516, 0.024193548387096774, 0...
