本文介绍两种简洁高效的 pandas 方法，实现按指定值（如 "a"）单独分组，其余所有行统一归入 "other" 组，并完成聚合计算，避免手动过滤拼接，真正 pythonic。
本文介绍两种简洁高效的 pandas 方法，实现按指定值（如 "a"）单独分组，其余所有行统一归入 "other" 组，并完成聚合计算，避免手动过滤拼接，真正 pythonic。
在实际数据分析中，常需将某关键类别（如重点客户、核心产品）单独提取分析，而将剩余所有样本归为“其他”统一处理——这种「目标 + 其他」的二分聚合模式非常典型。Pandas 本身不提供 groupby(..., other_label="Other") 这类直接参数，但可通过语义清晰、性能优良的原生方式优雅实现。
✅ 推荐方案一：使用 pd.Categorical 显式定义双类别
这是最直观、可扩展性最强的方法。通过构造仅含两个类别的有序分类变量（categories=["A", "Other"]），再用 fillna("Other") 将未匹配项自动归入“其他”，最后正常 groupby 即可：
import pandas as pd
df = pd.DataFrame({
"Col1": ["A", "A", "B", "B", "C"],
"Col2": [2, 3, 1, 4, 7]
})
# 构造二值分类：仅保留"A"为原值，其余强制归为"Other"
cat = pd.Categorical(df["Col1"], categories=["A", "Other"]).fillna("Other")
# 按分类聚合（observed=False 确保"Other"即使无原始数据也出现在结果中）
result = df.groupby(cat, observed=False)["Col2"].sum()
print(result)
输出：
A 5 Other 12 Name: Col2, dtype: int64
⚠️ 注意：observed=False 是关键——它保证即使数据中没有 "Other" 原始值（如全为 "A"），结果仍会包含 "Other" 行（值为 0），符合“二分”预期；若设为 True，则只返回实际出现的类别。
✅ 推荐方案二：布尔掩码 + rename（轻量灵活）
适用于快速原型或单次操作。利用布尔 Series 作为分组键（True/False），再重命名索引为语义化标签：
result = (
df.groupby(df["Col1"] == "A")["Col2"]
.sum()
.rename(index={True: "A", False: "Other"})
)
print(result)
输出：
Col1 A 5 Other 12 Name: Col2, dtype: int64
此方法链式简洁，无需导入额外模块，且天然支持任意布尔条件（例如 df["Col1"].isin(["A", "B"]) 扩展为多目标组）。
总结
- 优先选 pd.Categorical：语义明确、可复用、支持缺失类别占位，适合生产代码；
- 临时分析用布尔分组：代码极简，调试友好；
- 两者均避免 pd.concat([df[df.Col1=='A'], df[~mask].assign(Col1='Other')]) 等冗余拼接，真正践行 Pandas 的向量化哲学。
无论哪种方式，都可在 .sum() 处无缝替换为 .mean()、.count() 或自定义函数，灵活支撑各类聚合需求。
