您可以将所有#值转换为数值（强制No Data为NaN），然后在求和之前groupby Date和Category，用No Data填充NaN并重置索引：

df2 = (pd
    .to_numeric(df1['#'], errors='coerce')
    .groupby([df1['Date'], df1['Category']])
    .sum(min_count=1)
    .fillna('No Data')
    .reset_index()
)

字符串
输出量：

Date Category        #
0  01/01/01        A     25.0
1  01/01/01        B     35.0
2  01/02/01        A      7.0
3  01/03/01        A      9.0
4  01/03/01  No Data  No Data

型
然后，您可以选择df3作为Category中没有No Data的行：

df3 = df2[df2['Category'] != 'No Data']

型
输出量：

Date Category     #
0  01/01/01        A  25.0
1  01/01/01        B  35.0
2  01/02/01        A   7.0
3  01/03/01        A   9.0

型
如果你愿意，你可以将df3['#']恢复为整数：

df3.loc[:, '#'] = df3['#'].astype(int)

型
输出量：

Date Category   #
0  01/01/01        A  25
1  01/01/01        B  35
2  01/02/01        A   7
3  01/03/01        A   9

型

试试这个：

df1.drop(columns=['Name'], inplace=True) # you do not need this column for the grouping
df1['#'] = df1['#'].replace('No Data', 0) # To allow changing the column type to integer
df1['#'] = df1['#'].astype('int') # changing the column type to Integer
df2 = df1.groupby(['Date', 'Category']).sum() Grouping by

字符串
您可以稍后重置索引：df2 = df2.reset_index（）

Date    Category    #
0   01/01/01    A      25
1   01/01/01    B      35
2   01/02/01    A       7
3   01/03/01    A       9
4   01/03/01    No Data 0

型
删除“无数据”：

df2 = df2[df2['Category'] != 'No Data']

型

验证码

df2 = pd.to_numeric(df['#'], errors='coerce').fillna(df['#'])\
        .groupby([df['Date'], df['Category']]).sum()\
        .reset_index()\
        .rename(columns={'Category':'Classification'})

字符串
df2：

Date        Classification  #
0   01/01/01    A               25.0
1   01/01/01    B               35.0
2   01/02/01    A               7.0
3   01/03/01    A               9.0
4   01/03/01    No Data         No Data

型

df2[df2['#'].ne('No Data')]

型
结果：

Date        Classification  #
0   01/01/01    A               25.0
1   01/01/01    B               35.0
2   01/02/01    A               7.0
3   01/03/01    A               9.0

型
我创建df2是因为你想要一个像df2这样的DataFrame，最好不要创建df2。
生成最终结果而不创建df2的代码。

df.loc[df['#'].ne('No Data'), '#']\
  .astype('int')\
  .groupby([df['Date'], df['Category']]).sum()\
  .reset_index().rename(columns={'Category':'Classification'})

型
产出：

Date        Classification  #
0   01/01/01    A               25
1   01/01/01    B               35
2   01/02/01    A               7
3   01/03/01    A               9

型

示例代码

import pandas as pd
data1 = {'Date': ['01/01/01', '01/01/01', '01/01/01', '01/02/01', '01/03/01', '01/03/01'], 
         'Name': ['Vegetables', 'Fruits', 'Meat', 'Vegetables', 'Vegetables', 'No Data'], 
         'Category': ['A', 'A', 'B', 'A', 'A', 'No Data'], 
         '#': ['15', '10', '35', '7', '9', 'No Data']}
df = pd.DataFrame(data1)

型

另一个可能的解决方案：

df1 = (df.groupby(['Date', 'Category'], as_index=False)['#']
       .agg(lambda x: pd.to_numeric(x, errors='coerce')
            .fillna('No Data').sum()))
df2 = df1.where(df1.ne('No Data')).dropna()

字符串
输出量：

(       Date Category        #
 0  01/01/01        A       25
 1  01/01/01        B       35
 2  01/02/01        A        7
 3  01/03/01        A        9
 4  01/03/01  No Data  No Data,
        Date Category   #
 0  01/01/01        A  25
 1  01/01/01        B  35
 2  01/02/01        A   7
 3  01/03/01        A   9)

型