大家好，我是皮皮。
一、前言
前几天在Python最强王者交流群【Chloe】问了一道Pandas处理的问题，如下图所示。
原始数据如下：
代码语言：javascript复制df = pd.DataFrame( {'id' : ['A','A','A','A','A','A','B','B','B','B','B'],
'type' : [1,1,1,1,2,2,1,1,1,2,2],
'book' : ['Math','Math','English','Physics','Math','English','Physics','English','Physics','English','English']})
res = df.groupby(['id','type']).book.apply(list).reset_index()
res['book'] = res.apply(lambda x:(','.join([str(i) for i in x['book']])))
res
预期的结果如下图所示：
二、实现过程
方法一
这里【月神】给出一个可行的代码，大家后面遇到了，可以对应的修改下，事半功倍，代码如下所示：
代码语言：javascript复制df.groupby(['id','type']).book.unique().str.join(',').reset_index()
运行之后，结果就是想要的了。
方法二
后来【瑜亮老师】也给了一份代码。
代码如下所示：
代码语言：javascript复制res = df.groupby(['id', 'type']).book.apply(set).reset_index()
res['book'] = res['book'].apply(lambda x: (','.join(x)))
print(res)
运行之后，结果就是想要的了。
完美地解决了粉丝的问题！
最后再给大家分享一个知识点，如下图所示。
后来【瑜亮老师】还补充了一个结论，这里和大家一起分享下。
代码语言：javascript复制文章做了对比：
普通apply处理需要18秒左右，
使用Swift进行加速提升到7秒左右，
函数向量化，时间缩短至0.4秒，
int64转为int16，用时缩短至0.1秒
尽可能转换为.values，再操作，仅用时0.07秒！！！
从18秒到0.07秒……
三、总结
大家好，我是皮皮。这篇文章主要盘点了一道使用Pandas处理数据的问题，文中针对该问题给出了具体的解析和代码实现，一共两个方法，帮助粉丝顺利解决了问题。
最后感谢粉丝【Chloe】提问，感谢【月神】、【瑜亮老师】给出的思路和代码解析，感谢【dcpeng】、【冯诚】、【冷喵】、【D I Y】等人参与学习交流。
