例如，有如下数字：

df = pd.DataFrame({'a': ['A', 'A', 'A', 'B', 'C'],
                   'b': ['H', 'H', 'I', 'J', 'J']})
print(df)

# 结果如下
   a  b
0  A  H
1  A  H
2  A  I
3  B  J
4  C  J

方法：使用lambda函数：

pt3 = pd.pivot_table(df,
                 values=['b'],
                 index=['a'],
                 aggfunc=[lambda x: len(x.unique()), 'nunique', len, set, list])
pt3
print(pt)

结果如下
在这里插入图片描述

# python
Logo
NVIDIA DRIVE 智能汽车专区

更多推荐

基于5090D服务器的NVIDIA Alpamayo实验

本文介绍了在NVIDIA 5090D服务器上部署和运行Alpamayo自动驾驶大模型的全过程。Alpamayo是由NVIDIA社区开发的开源VLA（视觉-语言-动作）模型，具有10B参数规模，支持可解释的驾驶决策和多模态轨迹规划。实验环境搭建包括：创建Python 3.12虚拟环境、安装git/uv工具、配置Hugging Face访问权限，并从ModelScope下载模型权重。通过修改推理脚本路

avatar NVIDIA DRIVE 智能汽车专区
cover

NVIDIA智能汽车技术实战营笔记——Alpamayo

avatar NVIDIA DRIVE 智能汽车专区

看完 Alpamayo 的施工区案例，我想起了园区里的那些车

园区物流项目做久了，会发现视频告警最不缺的就是“异常”。真正费时间的，是弄清楚异常为什么发生，以及接下来该怎么处理。一段十几秒的行车视频里，可能同时有施工锥、作业车辆、行人和正在减速的前车。普通视觉模型可以把它们一一框出来，却未必能回答那个更接近业务的问题：这些东西和当前车辆有什么关系？此刻应该继续走、先减速，还是向旁边让一点？

avatar NVIDIA DRIVE 智能汽车专区