python - 在 Pandas Groupby 和 Agg 中保留一列但使用其他列

Question

我的目标是按特定列(标识符)对数据集进行分组，然后执行一些自定义操作(首先按日期排序，然后连接状态)。

这是我到目前为止所做的事情。

import pandas as pd
from io import StringIO
text = """date  identifier  status
1/1/18  A   Pending
1/1/18  B   Pending
1/1/18  C   Pending
1/2/18  A   Approve
1/2/18  B   Pending
1/2/18  C   Pending
1/3/18  B   Approve
1/3/18  C   Pending"""
text = StringIO(text)
df = pd.read_csv(text, sep="\t") 

# group by identifier 
# within the group, sort by date
# then concatenate by status

def myfunc(df):
    df.sort_values(by="date", ascending=True)
    res = [s[0] for s in df['status']]
    return ''.join(res)

df.groupby(['identifier']).agg(lambda x: myfunc(x))

id  date  status        
A   PA  PA
B   PPA PPA
C   PPP PPP

看起来agg会将lambda函数应用于每一列，当应用于每一列时，整个组将是可见的，这导致status 和 date 出现在最终结果中并共享相同的输出。 我可以稍后删除日期列，但看起来并不理想。

我尝试指定状态列，然后您将无法看到要包含的其他列(用于排序)。

def myfunc1(x):
print(x)

df.groupby(['identifier']).agg({'status': lambda x: myfunc1(x)}) 
0    Pending
3    Approve
Name: status, dtype: object
1    Pending
4    Pending
6    Approve
Name: status, dtype: object
2    Pending
5    Pending
7    Pending
Name: status, dtype: object

综上所述，如何正确使用 agg 函数才能得到最终结果

id   status        
A    PA
B    PPA
C    PPP

Answer 1

IIUC，您可以先切片，然后再agg

df['letter'] = df.status.str[0]
df.groupby('identifier').letter.agg(''.join)

identifier
A     PA
B    PPA
C    PPP

<小时/>

但是如果你真的想使用你的myfunc，你可以通过这样做来纠正它

1. 重新分配sort_values(或完全删除它):按照现在的方式，您正在排序，但不使用sort_values的返回值。因此，实际上什么也没做。 (我相信你应该在groupby和agg之前sort_values，而不是在agg func内部。

2. 指定您要聚合状态列，而不是所有列。您可以通过两种方式做到这一点，如下所示

代码如下:

def myfunc(ser):
    res = [s[0] for s in ser]
    return ''.join(res)

df = df.sort_values('date', ascending=True)
df.groupby(['identifier']).agg({'status': lambda x: myfunc(x)})

或

df.groupby(['identifier']).status.agg(lambda x: myfunc(x))

#same as 
df.groupby(['identifier']).status.agg(myfunc)