Pandas GroupBy.apply 方法复制第一组

Question

我的第一个 SO 问题： 我对熊猫（0.12.0-4）中 groupby 的应用方法的这种行为感到困惑，它似乎将函数 TWICE 应用于数据帧的第一行。例如：

>>> from pandas import Series, DataFrame
>>> import pandas as pd
>>> df = pd.DataFrame({'class': ['A', 'B', 'C'], 'count':[1,0,2]})
>>> print(df)
   class  count  
0     A      1  
1     B      0    
2     C      2

我先检查一下groupby功能是否正常，好像没问题：

>>> for group in df.groupby('class', group_keys = True):
>>>     print(group)
('A',   class  count
0     A      1)
('B',   class  count
1     B      0)
('C',   class  count
2     C      2)

然后我尝试在 groupby 对象上使用 apply 做类似的事情，我得到了第一行输出两次：

>>> def checkit(group):
>>>     print(group)
>>> df.groupby('class', group_keys = True).apply(checkit)
  class  count
0     A      1
  class  count
0     A      1
  class  count
1     B      0
  class  count
2     C      2

任何帮助将不胜感激！谢谢。

编辑：@Jeff 在下面提供了答案。本人密密麻麻一下子没看懂，所以这里举个简单的例子来说明，尽管上例中第一组的双打印输出，但是apply方法只对第一组操作一次，不会对原始数据帧进行变异：

>>> def addone(group):
>>>     group['count'] += 1
>>>     return group

>>> df.groupby('class', group_keys = True).apply(addone)
>>> print(df)

      class  count
0     A      1
1     B      0
2     C      2

但是通过将方法的返回分配给一个新对象，我们看到它按预期工作：

>>> df2 = df.groupby('class', group_keys = True).apply(addone)
>>> print(df2)

      class  count
0     A      2
1     B      1
2     C      3

Answer 1

这是设计使然，如 here 和 here 所述

apply 函数需要知道返回数据的形状，才能智能地确定如何组合。为此，它会调用该函数（在您的情况下为 checkit）两次以实现此目的。

根据您的实际用例，您可以将调用apply 替换为aggregate、transform 或filter，详细描述here。这些函数要求返回值是特定的形状，因此不要调用该函数两次。

但是 - 如果您调用的函数没有副作用，那么函数在第一个值上被调用两次很可能并不重要。

Answer 2

您可以使用 for 循环来避免 groupby.apply 重复第一行，

log_sample.csv

guestid,keyword
1,null
2,null
2,null
3,null
3,null
3,null
4,null
4,null
4,null
4,null

我的代码片段

df=pd.read_csv("log_sample.csv") 
grouped = df.groupby("guestid")

for guestid, df_group in grouped:
    print(list(df_group['guestid'])) 

df.head(100)

输出

[1]
[2, 2]
[3, 3, 3]
[4, 4, 4, 4]

Answer 3

这个“问题”现已修复：升级到 0.25+

从 v0.25 开始，GroupBy.apply() 只会评估第一组一次。见GH24748。

What’s new in 0.25.0 (July 18, 2019): Groupby.apply on DataFrame evaluates first group only once

文档中的相关示例：

pd.__version__                                                                                                          
# '0.25.0.dev0+590.g44d5498d8'

df = pd.DataFrame({"a": ["x", "y"], "b": [1, 2]})                                                                      

def func(group): 
    print(group.name) 
    return group                                                                                                                     

新行为 (>=v0.25)：

df.groupby('a').apply(func)                                                                                            
x
y

   a  b
0  x  1
1  y  2

旧行为（

df.groupby('a').apply(func)
x
x
y

   a  b
0  x  1
1  y  2

Pandas 仍然使用第一组来判断apply 是否可以走快速路径。但至少它不再需要对第一组进行两次评估。干得好，开发者！