您可以聚合第一列的Series.nunique和唯一值，并删除其他列的可能缺失值：

df1 = df.groupby('A').agg(count=('B','nunique'), 
                          uniq_without_NaNs = ('B', lambda x: x.dropna().unique()))
print (df1)
       count uniq_without_NaNs
A                             
one        1               [a]
three      0                []
two        2            [b, c]

然后，如果列count大于1，则创建掩码，如果count等于1，则用uniq_without_NaNs替换值：

out = df1['count'].gt(1).mask(df1['count'].eq(1), df1['uniq_without_NaNs'].str[0])
print (out)
A
one          a
three    False
two       True
Name: count, dtype: object

>>> g = df.groupby("A")["B"].agg
>>> nun = g("nunique")
>>> pd.Series(np.select([nun > 1, nun == 1],
                        [True, g("unique").str[0]],
                        default=False),
              index=nun.index)

A
one          a
three    False
two       True
dtype: object

• 控制住群组聚合器
• 计算唯一的数目
• 如果〉1，即多于1个唯一，则置True
• 如果== 1，即只有1个唯一值，则将该唯一值
• 否则，即没有唯一的（完整的NaN），则设置为False

您可以将groupby与agg组合，并使用布尔掩码来选择正确的输出：

# Your code
agg = df.groupby('A')['B'].agg(['any', 'unique'])

# Boolean mask to choose between 'any' and 'unique' column
m = agg['unique'].str.len().eq(1) & agg['unique'].str[0].notna()

# Final output
out = agg['any'].mask(m, other=agg['unique'].str[0])

输出：

>>> out
A
one          a
three    False
two       True

>>> agg
         any  unique
A                   
one     True     [a]
three  False   [nan]
two     True  [b, c]

>>> m
A
one       True  # choose 'unique' column
three    False  # choose 'any' column
two      False  # choose 'any' column

new_df = df.groupby('A')['B'].apply(lambda x: x.notna().any())
new_df = new_df .reset_index()
new_df .columns = ['A', 'B']

这将为您提供：

A      B
0    one   True
1  three  False
2    two   True

现在如果我们想找到这些值，我们可以做：

df.groupby('A')['B'].apply(lambda x: x[x.notna()].unique()[0] if x.notna().any() else np.nan)

其给出：

A
one        a
three    NaN
two        b