这些文档展示了如何使用以输出列名为键的dict一次在groupby对象上应用多个函数：
[563]on
：分组为['D'].agg（{'result1'：np.sum，
..…：“result2”：np.mean}）
.....:
Output[563]：
结果2结果1
A.
巴-0.579846-1.739537
foo-0.280588-1.402938
但是，这仅适用于Series groupby对象。当dict类似地传递给groupby数据帧时，它希望键是将应用该函数的列名
我想做的是对几个列应用多个函数（但某些列将被多次操作）。另外，一些函数将依赖于groupby对象中的其他列（如sumif函数）。我当前的解决方案是逐列执行，并执行类似于上面代码的操作，对依赖于其他行的函数使用lambdas。但这需要很长时间（我认为遍历groupby对象需要很长时间）。我必须对其进行更改，以便在一次运行中遍历整个groupby对象，但我想知道pandas中是否有一种内置的方法可以干净地完成这项工作
例如，我试过类似的方法
grouped.agg（{'C_sum'：lambda x:x['C'].sum（），
'C_std'：lambda x:x['C'].std（），
“D_sum”：lambda x:x['D'].sum（），
“D_sumifC3”：lambda x:x['D'][x['C']==3]。求和（），…）
但正如预期的那样，我得到了一个keyrerror（因为如果从数据帧调用agg，则键必须是一列）
是否有任何内置的方式来完成我想做的事情，或者可能会添加此功能，或者我只需要手动迭代groupby
谢谢
目前被接受的答案的后半部分已经过时，并且有两个反对意见。首先也是最重要的一点，您不能再将字典字典传递给agggroupby方法。第二，永远不要使用.ix
如果希望同时处理两个单独的列，我建议使用apply方法，该方法隐式地将数据帧传递给应用的函数。让我们使用与上面的数据帧类似的数据帧
df=pd.DataFrame（np.random.rand（4,4），columns=list（’abcd’））
df[‘group’]=[0,0,1,1]
df
a、b、c、d群
0 0.418500 0.030955 0.874869 0.145641 0
1 0.446069 0.901153 0.095052 0.487040 0
2 0.843026 0.936169 0.926090 0.041722 1
3 0.635846 0.439175 0.828787 0.714123 1
从列名映射到聚合函数的字典仍然是执行聚合的完美方式
df.groupby（'group'）.agg（{'a'：['sum'，'max']，
‘b’：‘平均’，
‘c’：‘sum’，
“d”：lambda x:x.max（）-x.min（））
a、b、c、d
总和最大平均总和<；lambda>；
组
0 0.864569 0.446069 0.466054 0.969921 0.341399
1 1.478872 0.843026 0.687672 1.754877 0.672401
如果您不喜欢这个难看的lambda列名，可以使用普通函数并为特殊的\uuuuu name\uuuu属性提供自定义名称，如下所示：
def max_min（x）：
返回x.max（）-x.min（）
max\u min.\uu\u name\uu='max减min'
df.groupby（'group'）.agg（{'a'：['sum'，'max']，
‘b’：‘平均’，
‘c’：‘sum’，
“d”：最大值（最小值）
a、b、c、d
求和最大值平均求和最大值减去最小值
组
0 0.864569 0.446069 0.466054 0.969921 0.341399
1 1.478872 0.843026 0.687672 1.754877 0.672401
使用apply并返回序列
现在，如果有多个列需要一起交互，那么就不能使用agg，它会隐式地将一个序列传递给聚合函数。使用apply时，将整个组作为数据帧传递到函数中
我建议创建一个自定义函数，返回一系列的所有聚合。将系列索引用作新列的标签：
def（x）：
d={}
d['a_sum']=x['a'].sum（）
d['a_max']=x['a'].max（）
d['b_平均值']=x['b'].平均值（）
d['c_d_prodsum']=（x['c']*x['d']）。sum（）
返回pd.系列（d，索引=['a_sum'，'a_max'，'b_mean'，'c_d_prodsum']）
df.groupby（'group'）。应用（f）
a_和a_最大b_平均c_d_和
组
0 0.864569 0.446069 0.466054 0.173711
1 1.478872 0.843026 0.687672 0.630494
如果您喜欢多索引，您仍然可以返回一个包含以下内容的系列：
def_mi（x）：
d=[]
d、 追加（x['a'].sum（））
d、 追加（x['a'].max（））
d、 追加（x['b'].mean（））
d、 追加（（x['c']*x['d']）.sum（））
返回pd.系列（d，索引=['a'，'a'，'b'，'c_d']，
['sum'，'max'，'mean'，'prodsum']]
df.groupby（'group'）。应用（f_mi）
a b cêd
最大平均生产总值
组
0 0.864569 0.446069 0.466054 0.173711
1 1.478872 0.843026 0.687672 0.630494