我有一个Pandas dataframe，其中有数千行，我想合并为更少的行。
在新的dataframe中，我想要：

• 某些列是分组行的总和
• 某些列是分组行的平均值，并且
• 一些其他列是相同列的加权平均，其中权重因子是另一列（在原始 Dataframe 中）。

我的搜索显示我可能会使用agg函数来实现上面的部分（不太确定）。但最难的部分是用Pandas编写条件，选择需要合并的行数。下面是一个例子：

df = pd.DataFrame({'col1': [1, 1, 2, 2, 3, 4, 2],
                   'col2': [10, 20, 30, 40, 50, 60, 70],
                   'col3': [0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7],
                   'col4': [2, 1, 4, 5, 8, 10, 3]})

我对要合并的行数的判断标准是，第1列的值之和要高于某个阈值。假设这里是3：

• 行1、2和3被分组（总和为4〉3）。
• 第4行和第5行被分组在一起（总和是5〉3）
• 行6将不被分组（4〉3），在新的 Dataframe 中保持相同。
• 行7将不被分组，因为不存在其它行，在新 Dataframe 中保持相同。

最终的dataframe看起来像这样：

第1列和第2列是分组行的总和。第3列是分组行的平均值。第3列是权重因子为第1列的分组行的加权平均值。

newdf = pd.DataFrame({'col1': [4, 5, 4, 2],
                   'col2': [60, 90, 60, 70],
                   'col3': [0.2, 0.45, 0.6, 0.7],
                   'col4': [2.75, 6.8, 10, 3]})

有人能帮帮我吗
我看了一下这个问题，但仍然有两个问题：分组标准不起作用，并且不确定加权平均值如何

agg_funcs = {'col1': 'sum', 'col2': 'sum','col3': 'mean', 'col4': lambda x: (x['col1'] * x['col4']).sum() / x['col1'].sum()}

grouped_df = df.groupby('col1').agg(agg_funcs)

代码失败，抱怨加权平均块，但分组标准也不正确！