groupby 在有序分类列上的奇怪行为

Posted 2023-02-16

【中文标题】groupby 在有序分类列上的奇怪行为

【英文标题】：Weird behaviour with groupby on ordered categorical columns

【发布时间】：2018-11-19 14:02:15

【问题描述】：

MCVE

df = pd.DataFrame(
    'Cat': ['SF', 'W', 'F', 'R64', 'SF', 'F'], 
    'ID': [1, 1, 1, 2, 2, 2]
)

df.Cat = pd.Categorical(
    df.Cat, categories=['R64', 'SF', 'F', 'W'], ordered=True)

如您所见，我在Cat 上定义了一个有序分类列。要验证，请检查；

0     SF
1      W
2      F
3    R64
4     SF
5      F
Name: Cat, dtype: category
Categories (4, object): [R64 < SF < F < W]

我想找到最大的类别 PER ID。执行groupby + max 有效。

df.groupby('ID').Cat.max()

ID
1    W
2    F
Name: Cat, dtype: object

但我不希望 ID 成为索引，所以我指定as_index=False。

df.groupby('ID', as_index=False).Cat.max()

   ID Cat
0   1   W
1   2  SF

哎呀！现在，最大值是按字典顺序。谁能解释这是否是预期的行为？或者这是一个错误？

注意，对于这个问题，解决方法是df.groupby('ID').Cat.max().reset_index()。

注意，

>>> pd.__version__
'0.22.0'

【问题讨论】：

注意，在 v0.23.0 中，这也有效：df.groupby("ID", as_index=False).Cat.apply(max)。

from - pandas.pydata.org/pandas-docs/stable/groupby.html 在有多个键的情况下，默认情况下结果是 MultiIndex，但可以使用 as_index 选项更改。由于 df 是使用两个列表创建的，as_index = False，启用列表索引，其比较是按字典顺序排列的？

所以您是说orderer Categorical 变量丢失并在创建Multiindex 时被视为字符串？听起来像是熊猫的一个很好的错误报告。 github.

@smci 我想，但我太懒了...

怎么样：df.groupby('ID', as_index=False).max()？它似乎给出了一个很好的结果。

【参考方案1】：

这不是预期的行为，这是一个错误。

Source diving 表明该标志做了两个完全不同的事情。一个简单地忽略了分组级别和名称，它只采用具有新范围索引的值。另一个显然保留了它们。