Pandas: Group By and Conditional Sum and Add Back to Data Frame

Pandas是一个基于Python的数据分析库，提供了丰富的数据结构和数据分析工具，可以方便地进行数据处理、清洗、转换和分析。

在Pandas中，Group By和Conditional Sum是两个常用的操作。

Group By是一种分组聚合操作，可以根据某个或多个列的值将数据分组，并对每个组进行聚合计算。通过Group By，可以对数据进行分组统计、分组计算等操作。

Conditional Sum是指根据某个条件对数据进行筛选，并对满足条件的数据进行求和计算。可以使用条件表达式对数据进行筛选，然后使用sum()函数对筛选后的数据进行求和。

下面是一个示例代码，演示了如何使用Pandas进行Group By和Conditional Sum操作，并将结果添加回原始数据框中：

import pandas as pd

# 创建一个示例数据框
data = {'Name': ['Alice', 'Bob', 'Charlie', 'Alice', 'Bob'],
        'Age': [25, 30, 35, 25, 30],
        'Salary': [5000, 6000, 7000, 5500, 6500]}
df = pd.DataFrame(data)

# 使用Group By对Name列进行分组，并计算每个组的平均薪资
grouped = df.groupby('Name')
average_salary = grouped['Salary'].mean()

# 使用Conditional Sum对Age列大于30的数据进行求和
conditional_sum = df[df['Age'] > 30]['Age'].sum()

# 将计算结果添加回原始数据框中
df['Average Salary'] = df['Name'].map(average_salary)
df['Conditional Sum'] = conditional_sum

# 打印结果
print(df)

上述代码中，首先创建了一个示例数据框df，包含Name、Age和Salary三列。然后使用Group By对Name列进行分组，并计算每个组的平均薪资，结果存储在average_salary变量中。接着使用条件表达式筛选出Age列大于30的数据，并对筛选后的Age列进行求和，结果存储在conditional_sum变量中。最后，使用map()函数将average_salary映射到原始数据框的Name列，并将conditional_sum添加为新的列。最后打印出完整的数据框。

Pandas相关产品和产品介绍链接地址：

• 腾讯云Pandas产品介绍：https://cloud.tencent.com/product/pandas