DataFrame groupby 方法的语义

Question

我发现 DataFrame 对象上的 groupby 方法的行为出乎意料。

让我用一个例子来解释。

df = pd.DataFrame({'key1': ['a', 'a', 'b', 'b', 'a'],
                   'key2': ['one', 'two', 'one', 'two', 'one'],
                   'data1': np.random.randn(5),
                   'data2': np.random.randn(5)})
data1 = df['data1']

data1
# Out[14]: 
# 0    1.989430
# 1   -0.250694
# 2   -0.448550
# 3    0.776318
# 4   -1.843558
# Name: data1, dtype: float64

data1 不再有'key1' 列。 因此，如果我应用以下操作，我预计会收到错误：

grouped = data1.groupby(df['key1'])

但我没有，我可以进一步对grouped 应用mean 方法以获得预期的结果。

grouped.mean()
# Out[13]: 
# key1
# a   -0.034941
# b    0.163884
# Name: data1, dtype: float64

但是，上述操作确实使用df 的'key1' 列创建了一个组。

怎么会这样？解释器是否将原始 DataFrame（本例中为 df）的信息与创建的 DataFrame/series（本例中为 data1）一起存储？

谢谢。

Answer 1

只是语法糖，检查here - 分别按列选择（Series）：

这主要是替代的语法糖，而且更冗长

s = df['data1'].groupby(df['key1']).mean()
print (s)
key1
a    0.565292
b    0.106360
Name: data1, dtype: float64

Answer 2

虽然分组列通常来自相同的数据框或系列，但它们不一定是。

您的声明data1.groupby(df['key1']) 等同于data1.groupby(['a', 'a', 'b', 'b', 'a'])。事实上，您可以检查实际的组：

>>> data1.groupby(['a', 'a', 'b', 'b', 'a']).groups
{'a': [0, 1, 4], 'b': [2, 3]}

这意味着您在 data1 上的 groupby 将有一个组 a 使用来自 data1 的第 0、1 和 4 行，以及一个使用第 2 和 3 行的组 b。