在 R data.table 中，可以很容易地在一個聚合中使用 argmin 或 argmax 函數(shù)在多個列上進行聚合。例如對于 DT：> DT = data.table(id=c(1,1,1,2,2,2,2,3,3,3), col1=c(1,3,5,2,5,3,6,3,67,7), col2=c(4,6,8,3,65,3,5,4,4,7), col3=c(34,64,53,5,6,2,4,6,4,67))> DT    id col1 col2 col3 1:  1    1    4   34 2:  1    3    6   64 3:  1    5    8   53 4:  2    2    3    5 5:  2    5   65    6 6:  2    3    3    2 7:  2    6    5    4 8:  3    3    4    6 9:  3   67    4    410:  3    7    7   67> DT_agg = DT[, .(agg1 = col1[which.max(col2)]                , agg2 = col2[which.min(col3)]                , agg3 = col1[which.max(col3)])              , by= id]> DT_agg   id agg1 agg2 agg31:  1    5    4    32:  2    5    3    53:  3    7    4    7agg1 是 col1 的值，其中 col2 的值最大，按 id 分組。agg2 是 col2 的值，其中 col3 的值最小，按 id 分組。agg3 是 col1 的值，其中 col3 的值最大，按 id 分組。在 Pandas 中，這怎么可能，使用 groupby 和 agg 在一個聚合操作中完成所有三個聚合？我不知道如何在 Python 的一個聚合函數(shù)中合并三個不同的索引。這是 Python 中的數(shù)據(jù)框：DF =pd.DataFrame({'id':[1,1,1,2,2,2,2,3,3,3], 'col1':[1,3,5,2,5,3,6,3,67,7], 'col2':[4,6,8,3,65,3,5,4,4,7], 'col3':[34,64,53,5,6,2,4,6,4,67]})DFOut[70]:    id  col1  col2  col30   1     1     4    341   1     3     6    642   1     5     8    533   2     2     3     54   2     5    65     65   2     3     3     26   2     6     5     47   3     3     4     68   3    67     4     49   3     7     7    67