到目前为止提供的所有答案都可能导致潜在的危险行为,因为您很可能选择了实际上是数据集一部分的虚拟值。当您创建具有许多属性的组时,这种可能性越来越大。简而言之,这种方法并不总是能很好地概括。
不太麻烦的解决方法是使用pd.drop_duplicates()创建值组合的唯一索引,每个值组合都有自己的ID,然后对该ID进行分组。它比较冗长,但确实可以完成工作:
def safe_groupby(df, group_cols, agg_dict):
# set name of group col to unique value
group_id = 'group_id'
while group_id in df.columns:
group_id += 'x'
# get final order of columns
agg_col_order = (group_cols + list(agg_dict.keys()))
# create unique index of grouped values
group_idx = df[group_cols].drop_duplicates()
group_idx[group_id] = np.arange(group_idx.shape[0])
# merge unique index on dataframe
df = df.merge(group_idx, on=group_cols)
# group dataframe on group id and aggregate values
df_agg = df.groupby(group_id, as_index=True)\
.agg(agg_dict)
# merge grouped value index to results of aggregation
df_agg = group_idx.set_index(group_id).join(df_agg)
# rename index
df_agg.index.name = None
# return reordered columns
return df_agg[agg_col_order]
请注意,您现在可以简单地执行以下操作:
data_block = [np.tile([None, 'A'], 3),
np.repeat(['B', 'C'], 3),
[1] * (2 * 3)]
col_names = ['col_a', 'col_b', 'value']
test_df = pd.DataFrame(data_block, index=col_names).T
grouped_df = safe_groupby(test_df, ['col_a', 'col_b'],
OrderedDict([('value', 'sum')]))
这将返回成功的结果,而不必担心会覆盖被误认为是虚拟值的真实数据。