保留一列但在Pandas Groupby和Agg中使用其他列

Question

我的目标是按特定列（标识符）对数据集进行分组，然后执行一些自定义操作（首先按日期排序，然后连接状态）。

这是我到目前为止所做的。

import pandas as pd
from io import StringIO
text = """date  identifier  status
1/1/18  A   Pending
1/1/18  B   Pending
1/1/18  C   Pending
1/2/18  A   Approve
1/2/18  B   Pending
1/2/18  C   Pending
1/3/18  B   Approve
1/3/18  C   Pending"""
text = StringIO(text)
df = pd.read_csv(text, sep="\t") 

# group by identifier 
# within the group, sort by date
# then concatenate by status

def myfunc(df):
    df.sort_values(by="date", ascending=True)
    res = [s[0] for s in df['status']]
    return ''.join(res)

df.groupby(['identifier']).agg(lambda x: myfunc(x))

id  date  status        
A   PA  PA
B   PPA PPA
C   PPP PPP

看起来agg会将lambda函数应用于每一列，当应用于每一列时，整个组将是可见的，这导致status和date出现在最终结果中并共享相同的输出。 之后我可以删除日期栏，但似乎并不理想 。

我尝试指定状态列，然后您将失去对要包含的其他列的可见性（用于排序）。

def myfunc1(x):
print(x)

df.groupby(['identifier']).agg({'status': lambda x: myfunc1(x)}) 
0    Pending
3    Approve
Name: status, dtype: object
1    Pending
4    Pending
6    Approve
Name: status, dtype: object
2    Pending
5    Pending
7    Pending
Name: status, dtype: object

总之，我如何正确使用agg函数来获得最终结果

id   status        
A    PA
B    PPA
C    PPP

Answer 1

IIUC，可以先切片，然后就agg

df['letter'] = df.status.str[0]
df.groupby('identifier').letter.agg(''.join)

identifier
A     PA
B    PPA
C    PPP

---

但是如果你真的想使用你的myfunc ，你可以通过这样做来纠正它

1. 分配sort_values （或完全删除它）：现在的方式是，您正在排序但不使用sort_values的返回值。 因此，实际上没有做任何事情。 （我相信在进入groupby和agg之前你应该sort_values ，而不是在agg func里面。

2. 指定您想要agg status col，而不是所有 cols。 您可以通过两种方式实现此目的，如下所示

代码如下：

def myfunc(ser):
    res = [s[0] for s in ser]
    return ''.join(res)

df = df.sort_values('date', ascending=True)
df.groupby(['identifier']).agg({'status': lambda x: myfunc(x)})

要么

df.groupby(['identifier']).status.agg(lambda x: myfunc(x))

#same as 
df.groupby(['identifier']).status.agg(myfunc)