另一个答案（灵感来自于在Python Discord服务器上与Ry的讨论，以及我自己的测试）：
定义数据框：

df = pd.DataFrame({
    'location' : ['backyard', 'store', 'bank', 'backyard', 'backyard', 'bank', 'store'],
    'is_orange': [1, 1, 0, 0, 1, 0, 1],
    'is_non_orange': [0, 0, 1, 1, 0, 1, 0],
    'melons': [73, 81, 94, 174, 23, 71, 65]
})

然后，我们定义一个函数，该函数将在最终.groupby()语句定义的每个子组上执行。

def stats(df_subgroup):
    return pd.Series({
    'total_oranges' : (df_subgroup['is_non_orange'] + df_subgroup['is_orange']).sum(),
    'percentage_oranges' : (df_subgroup['is_orange'] / (df_subgroup['is_non_orange'] + df_subgroup['is_orange'])).mean(),
    'melons': (df_subgroup['melons']).sum()
})

输出由以下命令给出：

df.groupby(['location']).apply(stats)

输出为：

total_oranges   percentage_oranges  melons
location            
backyard    3.0 0.666667    270.0
bank    2.0 0.000000    165.0
store   2.0 1.000000    146.0

我还用多个.groupby()列测试了它，它似乎工作得很好。需要注意的一点是.mean()函数的使用。我相信有一个更好的方法来提取每个子组的计算值，但这是一个体面的解决方案。
最后，我想提一下如果列条目不都是float/int，这种方法需要额外的调整。例如，将is_orange和is_non_orange列定义为布尔值：

df = pd.DataFrame({
    'location' : ['backyard', 'store', 'bank', 'backyard', 'backyard', 'bank', 'store'],
    'is_orange': [True, True, False, False, True, False, True],
    'is_non_orange': [False, False, True, True, False, True, False],
    'melons': [73, 81, 94, 174, 23, 71, 65]
})

并尝试运行与之前相同的逻辑：

def stats(df_subgroup):
    return pd.Series({
    'total_oranges' : (df_subgroup['is_non_orange'] + df_subgroup['is_orange']).sum(),
    'percentage_oranges' : (df_subgroup['is_orange'] / (df_subgroup['is_non_orange'] + df_subgroup['is_orange'])).mean(),
    'melons': (df_subgroup['melons']).sum()
})
    
df.groupby(['location']).apply(stats)

产生以下错误：NotImplementedError: operator 'truediv' not implemented for bool dtypes。
相反，我们将逻辑修改为：

def stats(df_subgroup):
    return pd.Series({
    'total_oranges' : (df_subgroup['is_non_orange'].sum() + df_subgroup['is_orange'].sum()).sum(),
    'percentage_oranges' : (df_subgroup['is_orange'].sum() / (df_subgroup['is_non_orange'].sum() + df_subgroup['is_orange'].sum())).mean(),
    'melons': (df_subgroup['melons']).sum()
})
    
df.groupby(['location']).apply(stats)

(Note在每次布尔列调用结束时使用.sum()）
这将产生所需的输出：

total_oranges   percentage_oranges  melons
location            
backyard    3.0 0.666667    270.0
bank    2.0 0.000000    165.0
store   2.0 1.000000    146.0

一个可能的解决方案（由Python Discord服务器上的shimmer建议）：
定义数据框：

import pandas as pd

df = pd.DataFrame({'location': ['backyard', 'store', 'bank', 'backyard', 'backyard', 'bank', 'store'],
                   'is_orange': [1, 1, 0, 0, 1, 0, 1],
                   'is_non_orange': [0, 0, 1, 1, 0, 1, 0],
                   'melons':     [73, 81, 94, 174, 23, 71, 65]})

我们可以这样写：

df2 = pd.DataFrame()
df  = df.groupby('location').agg('sum')
df2['total_oranges'] = df['is_orange'] + df['is_non_orange']
df2['percentage_orange'] = df['is_orange'] / (df['is_orange'] + df['is_non_orange'])
df2['melons'] = df['melons']

输出为：

total_oranges   percentage_orange   melons
location            
backyard    3   0.666667    270
bank    2   0.000000    165
store   2   1.000000    146