python - 为什么 Pandas 分组聚合会丢弃分类列？

Question

情况

考虑以下两个数据框:

import pandas as pd  # version 0.23.4

df1 = pd.DataFrame({
    'A': [1, 1, 1, 2, 2],
    'B': [100, 100, 200, 100, 100],
    'C': ['apple', 'orange', 'mango', 'mango', 'orange'],
    'D': ['jupiter', 'mercury', 'mars', 'venus', 'venus'],
})

df2 = df1.astype({'D': 'category'})

正如您在数据框中看到的那样 df2专栏D属于 categoricals数据类型，否则 df2与 df1 相同.

现在考虑以下 groupby 聚合操作:

result_x_df1 = df1.groupby(by='A').first()
result_x_df2 = df2.groupby(by='A').first()
result_y_df1 = df1.groupby(by=['A', 'B']).first()
result_y_df2 = df2.groupby(by=['A', 'B']).first()

结果如下:

In [1]: result_x_df1
Out[1]:
     B      C        D
A
1  100  apple  jupiter
2  100  mango    venus

In [2]: result_x_df2
Out[2]:
     B      C        D
A
1  100  apple  jupiter
2  100  mango    venus

In [3]: result_y_df1
Out[3]:
           C        D
A B
1 100  apple  jupiter
  200  mango     mars
2 100  mango    venus

In [4]: result_y_df2
Out[4]:
           C
A B
1 100  apple
  200  mango
2 100  mango

问题

result_x_df1 , result_x_df2和 result_y_df1看起来完全符合我的预期。然而真正让我困惑的是 result_y_df2 分类列 D已被完全丢弃。这就提出了问题:

• 为什么是分类列 D在 result_y_df2 中丢弃？
• 如何防止分类列 D被丢弃，即我如何从 df2 获得分组聚合结果看起来类似于 result_y_df1 ？

Answer 1

问题的原因似乎是 pandas 中的回归错误(从版本 0.23.0 开始出现)。解决方法是使用 head(1) 而不是 first()(如 Dark 所建议的那样)。

参见 this pandas github issue用于新的发展。