为什么pandas分组聚合丢弃分类列？

Question

情况

考虑以下两个数据帧:

import pandas as pd  # version 0.23.4

df1 = pd.DataFrame({
    'A': [1, 1, 1, 2, 2],
    'B': [100, 100, 200, 100, 100],
    'C': ['apple', 'orange', 'mango', 'mango', 'orange'],
    'D': ['jupiter', 'mercury', 'mars', 'venus', 'venus'],
})

df2 = df1.astype({'D': 'category'})

正如您在数据框中看到的那样,df2该列 D是分类数据类型,但在其他方面df2是相同的df1.

现在考虑以下groupby-aggregation操作:

result_x_df1 = df1.groupby(by='A').first()
result_x_df2 = df2.groupby(by='A').first()
result_y_df1 = df1.groupby(by=['A', 'B']).first()
result_y_df2 = df2.groupby(by=['A', 'B']).first()

结果如下:

In [1]: result_x_df1
Out[1]:
     B      C        D
A
1  100  apple  jupiter
2  100  mango    venus

In [2]: result_x_df2
Out[2]:
     B      C        D
A
1  100  apple  jupiter
2  100  mango    venus

In [3]: result_y_df1
Out[3]:
           C        D
A B
1 100  apple  jupiter
  200  mango     mars
2 100  mango    venus

In [4]: result_y_df2
Out[4]:
           C
A B
1 100  apple
  200  mango
2 100  mango

题

result_x_df1,result_x_df2并且result_y_df1看起来完全像我本来期望.真正让我为难不过的是,在result_y_df2该categoricals柱D已经完全抛弃.这引出了一些问题:

• 为什么categoricals列D在丢弃result_y_df2？
• 如何防止分类列D被丢弃,即如何获得分组聚合结果df2看起来类似于result_y_df1？

Answer 1

问题的原因似乎是 pandas 中的回归错误（从版本0.23.0开始发生）。解决方法是使用head(1)而不是first()（如 Dark 建议的那样）。

请参阅这个 pandas github 问题以了解新的进展。