1、计算数据

将DataFrame中数据的一列，通过字典中key作为的条件筛选出来，字典中value来指定列名，对于筛选出来的行中的指定的多个列，可以是所有列，也可以部分列，对这些列来计算最小值。

DataFrame数据：

Col0  Col1  Col2  Col3  Col4  Col5
0  Item1    20    89    26    40    55
1  Item2    25    15    30   108     2

条件：

my_dict = {
'Item1':['Col1','Col3'],
'Item2':['Col6','Col4']
}

结果：

Col0  Col1  Col2  Col3  Col4  Col5    min
0  Item1    20    89    26    40    55   20.0
1  Item2    25    15    30   108     2  108.0

说明：

my_dict作为条件，根据字典中的key值对DataFrame数据中的行进行筛选，然后符合条件的行数据，在根据字典中的value中指定的多个列名对应的值，对它们进行最小值的计算。比较适计算指定行的某些列的最小值。

2、通过df.apply()方法实现

apply() 函数是 pandas 中常用的函数之一，可以帮助高效地处理 DataFrame 数据。通过灵活运用 apply() 函数及其搭配的 lambda 函数，可以实现各种数据操作需求。

import pandas as pd
my_dict={'Item1':['Col1','Col3'],
'Item2':['Col2','Col4']
}
df=pd.DataFrame({
'Col0':['Item1','Item2'],
'Col1':[20,25],
'Col2':[89,15],
'Col3':[26,30],
'Col4':[40,108],
'Col5':[55,2]
})
my_dict = {
'Item1': ['Col1', 'Col3'],
'Item2': ['Col2', 'Col4']
}
df['min'] = df.apply(lambda r:r[my_dict.get(r['Col0'], [])].min(), axis=1)
print(df)

3、通过pd.crosstab()方法实现

pd.crosstab()可以在 pandas DataFrame 中有效地分析分类变量之间的关系。d.crosstab() 是一个强大的工具，可用于探索和分析分类数据中的模式和趋势。

import pandas as pd
df=pd.DataFrame({
'Col0':['Item1','Item2'],
'Col1':[20,25],
'Col2':[89,15],
'Col3':[26,30],
'Col4':[40,108],
'Col5':[55,2]
})
my_dict = {
'Item1':['Col1','Col3'],
'Item2':['Col6','Col4']
}
m = pd.crosstab(*(pd.DataFrame(my_dict)
.stack().reset_index(level=1)
.T.to_numpy()))
df['min'] = df.set_index('Col0').where(m.eq(1), float('inf')).min(axis=1).to_list()
print(df)

4、df.apply()

df.apply() 函数是 pandas 库中非常强大的工具，用于在 DataFrame 上应用函数，可以沿指定轴对整个 DataFrame 或其某个子集执行自定义函数。

参考文档：Python pandas.DataFrame.apply函数方法的使用

5、pd.crosstab()

pd.crosstab() 是 Pandas 库中的一个函数，常用于生成交叉表（也称为列联表或透视表），它可以展示两个或多个变量之间的频率分布。这个函数非常有用，特别是在数据分析和统计分析中，用来观察不同变量之间的关系。

参考文档：Python Pandas pandas.crosstab函数方法的使用