切片 DataGrameGroupBy 对象

Question

有没有办法对 DataFrameGroupBy 对象进行切片？

例如，如果我有：

df = pd.DataFrame({'A': [2, 1, 1, 3, 3], 'B': ['x', 'y', 'z', 'r', 'p']})

   A  B
0  2  x
1  1  y
2  1  z
3  3  r
4  3  p

dfg = df.groupby('A')

现在，返回的 GroupBy 对象由 A 中的值索引，我想选择它的一个子集，例如进行聚合。可能是这样的

dfg.loc[1:2].agg(...)

或者，对于特定的列，

dfg['B'].loc[1:2].agg(...)

编辑。更清楚地说：通过对 GroupBy 对象进行切片，我的意思是只访问组的一个子集。在上面的示例中，GroupBy 对象将包含 3 个组，分别为 A = 1、A = 2 和 A = 3。由于某些原因，我可能只对 A = 1 和 A = 2 的组感兴趣。

Answer 1

看来您需要使用 iloc 的自定义函数 - 但如果使用 agg 是必要的，则返回聚合值：

df = df.groupby('A')['B'].agg(lambda x: ','.join(x.iloc[0:3]))
print (df)
A
1    y,z
2      x
3    r,p
Name: B, dtype: object

---

df = df.groupby('A')['B'].agg(lambda x: ','.join(x.iloc[1:3]))
print (df)
A
1    z
2     
3    p
Name: B, dtype: object

对于多列：

df = pd.DataFrame({'A': [2, 1, 1, 3, 3], 
                   'B': ['x', 'y', 'z', 'r', 'p'], 
                   'C': ['g', 'y', 'y', 'u', 'k']})
print (df)
   A  B  C
0  2  x  g
1  1  y  y
2  1  z  y
3  3  r  u
4  3  p  k

df = df.groupby('A').agg(lambda x: ','.join(x.iloc[1:3]))
print (df)
   B  C
A      
1  z  y
2      
3  p  k

Answer 2

您可以像这样使用 apply 进行切片：

如果你想从每个组中分割[1:3]

n [53]: df
Out[53]: 
   A  B
0  2  x
1  1  y
2  1  z
3  3  r
4  3  p

In [54]: dfg = df.groupby('A')

In [56]: dfg.apply(lambda x: x.loc[1:3])
Out[56]: 
     A  B
A        
1 1  1  y
  2  1  z
3 3  3  r

---

如果你只想对一列进行切片（例如B）

In [55]: dfg.apply(lambda x: x['B'].loc[1:3])
Out[55]: 
A   
1  1    y
   2    z
3  3    r
Name: B, dtype: object

---

然后，聚合，你只需像这样链接调用：

dfg.apply(lambda x: x['B'].loc[1:3]).agg(...)

Answer 3

如果我理解正确，您只需要一些组，但应该完全返回：

    A   B
1   1   y
2   1   z
0   2   x

您可以通过提取键然后根据这些键选择组来解决您的问题。

假设您已经知道这些组：

pd.concat([dfg.get_group(1),dfg.get_group(2)])

如果您不知道组名并且只是在寻找随机的 n 个组，这可能会起作用：

pd.concat([dfg.get_group(n) for n in list(dict(list(dfg)).keys())[:2]])

这两种情况下的输出都是普通的 DataFrame，而不是 DataFrameGroupBy 对象，因此先过滤 DataFrame 然后再聚合可能会更聪明：

df[df['A'].isin([1,2])].groupby('A')

未知组也一样：

df[df['A'].isin(list(set(df['A']))[:2])].groupby('A')

我相信有一些 Stackoverflow 答案与此相关，例如 How to access pandas groupby dataframe by key