在有序分类列上使用groupby的行为异常 [英] Weird behaviour with groupby on ordered categorical columns

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，我定义了有序分类 Cat 上的列。要进行验证，请进行检查；

As you can see, I've define an ordered categorical column on Cat. To verify, check;

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PER ID类别。进行 groupby + max 可行。

I want to find the largest category PER ID. Doing groupby + max works.

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

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

但是我不希望ID成为索引，所以我指定 as_index = False 。

But I don't want ID to be the index, so I specify as_index=False.

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

   ID Cat
0   1   W
1   2  SF

糟糕！现在，按字典顺序获取最大值。谁能解释这是否是预期的行为？还是这是一个错误？

Oops! Now, the max is taken lexicographically. Can anyone explain whether this is intended behaviour? Or is this a bug?

注意，对于此问题，解决方法是 df.groupby（'ID'）。Cat.max（） .reset_index（）。

Note, for this problem, the workaround is df.groupby('ID').Cat.max().reset_index().

注意，

>>> pd.__version__
'0.22.0'

推荐答案

源代码潜水显示该标志做了两项完全不同的事情。一个人简单地忽略了石斑鱼的水平和名称，它只使用带有新范围索引的值。另一个显然保留了它们。

Source diving shows the flag does two completely different things. The one simply ignores grouper levels and names, it just takes the values with a new range index. The other one clearly keeps them.

这篇关于在有序分类列上使用groupby的行为异常的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！