如何从 pandas groupby（）.sum（） 的输出创建一个新列？

您想使用 transform。这将返回一个索引与 df 对齐的 Series，以便您可以将其添加为新列：

df = pd.DataFrame({
    'Date': ['2015-05-08', '2015-05-07', '2015-05-06', '2015-05-05',
             '2015-05-08', '2015-05-07', '2015-05-06', '2015-05-05'],
    'Sym': ['aapl', 'aapl', 'aapl', 'aapl', 'aaww', 'aaww', 'aaww', 'aaww'],
    'Data2': [11, 8, 10, 15, 110, 60, 100, 40],
    'Data3': [5, 8, 6, 1, 50, 100, 60, 120]
})
​
df['Data4'] = df['Data3'].groupby(df['Date']).transform('sum')
df

         Date   Sym  Data2  Data3  Data4
0  2015-05-08  aapl     11      5     55
1  2015-05-07  aapl      8      8    108
2  2015-05-06  aapl     10      6     66
3  2015-05-05  aapl     15      1    121
4  2015-05-08  aaww    110     50     55
5  2015-05-07  aaww     60    100    108
6  2015-05-06  aaww    100     60     66
7  2015-05-05  aaww     40    120    121

如何从 pandas groupby（）.sum（） 的输出创建一个新列？

有两种方法 - 一种简单明了，另一种更有趣。

---

每个人的最爱：和GroupBy.transform()'sum'

@EdChum的答案可以简化一点。呼叫而不是 .这会导致语法更简单。DataFrame.groupbySeries.groupby

df.groupby('Date')['Data3'].transform('sum')

0     55
1    108
2     66
3    121
4     55
5    108
6     66
7    121
Name: Data3, dtype: int64 

速度快了一点，

df2 = pd.concat([df] * 12345)

%timeit df2['Data3'].groupby(df['Date']).transform('sum')
%timeit df2.groupby('Date')['Data3'].transform('sum')

10.4 ms ± 367 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
8.58 ms ± 559 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

---

非常规，但值得您考虑：GroupBy.sum() + Series.map()

我在 API 中偶然发现了一个有趣的特性。据我所知，您可以在 0.20 以上的任何主要版本上重现这一点（我在 0.23 和 0.24 上测试过）。如果您改用直接函数并使用以下方式广播它，似乎您可以始终如一地减少几毫秒的时间：transformGroupBymap

df['Date'].map(df.groupby('Date')['Data3'].sum())

0     55
1    108
2     66
3    121
4     55
5    108
6     66
7    121
Name: Date, dtype: int64

与上面的输出相比：它们是相同的。df.groupby('Date')['Data3'].transform('sum')

我的测试表明，如果您有能力使用直接函数（例如 、 、 等），那会更快一些。对于大多数一般情况，它或多或少会更快，最多可达 ~20 万条记录。在那之后，性能实际上取决于数据。mapGroupBymeanminmaxfirst

（左：v0.23，右：v0.24）

这是一个很好的选择，如果你的框架较小，组数量较少，那就更好了，但我建议作为首选。无论如何，我认为这值得分享。transform

基准测试代码，供参考：

import perfplot

perfplot.show(
    setup=lambda n: pd.DataFrame({'A': np.random.choice(n//10, n), 'B': np.ones(n)}),
    kernels=[
        lambda df: df.groupby('A')['B'].transform('sum'),
        lambda df:  df.A.map(df.groupby('A')['B'].sum()),
    ],
    labels=['GroupBy.transform', 'GroupBy.sum + map'],
    n_range=[2**k for k in range(5, 20)],
    xlabel='N',
    logy=True,
    logx=True
)

我建议通常使用更强大的 apply，您可以使用它以单个表达式编写查询，即使是更复杂的用途，例如定义一个新列，其值被定义为对组的操作，并且在同一组中也可以有不同的值！

这比为每个组定义具有相同值的列的简单情况更为普遍（例如在这个问题中，该问题因组而异，在同一组中是相同的）。sum

简单情况（组内值相同，组间值不同的新列）：

# I'm assuming the name of your dataframe is something long, like
# `my_data_frame`, to show the power of being able to write your
# data processing in a single expression without multiple statements and
# multiple references to your long name, which is the normal style
# that the pandas API naturally makes you adopt, but which make the
# code often verbose, sparse, and a pain to generalize or refactor

my_data_frame = pd.DataFrame({
    'Date': ['2015-05-08', '2015-05-07', '2015-05-06', '2015-05-05', '2015-05-08', '2015-05-07', '2015-05-06', '2015-05-05'], 
    'Sym': ['aapl', 'aapl', 'aapl', 'aapl', 'aaww', 'aaww', 'aaww', 'aaww'], 
    'Data2': [11, 8, 10, 15, 110, 60, 100, 40],
    'Data3': [5, 8, 6, 1, 50, 100, 60, 120]})
​
(my_data_frame
    # create groups by 'Date'
    .groupby(['Date'])
    # for every small Group DataFrame `gdf` with the same 'Date', do:
    # assign a new column 'Data4' to it, with the value being
    # the sum of 'Data3' for the small dataframe `gdf`
    .apply(lambda gdf: gdf.assign(Data4=lambda gdf: gdf['Data3'].sum()))
    # after groupby operations, the variable(s) you grouped by on
    # are set as indices. In this case, 'Date' was set as an additional
    # level for the (multi)index. But it is still also present as a
    # column. Thus, we drop it from the index:
    .droplevel(0)
)

### OR

# We don't even need to define a variable for our dataframe.
# We can chain everything in one expression

(pd
    .DataFrame({
        'Date': ['2015-05-08', '2015-05-07', '2015-05-06', '2015-05-05', '2015-05-08', '2015-05-07', '2015-05-06', '2015-05-05'], 
        'Sym': ['aapl', 'aapl', 'aapl', 'aapl', 'aaww', 'aaww', 'aaww', 'aaww'], 
        'Data2': [11, 8, 10, 15, 110, 60, 100, 40],
        'Data3': [5, 8, 6, 1, 50, 100, 60, 120]})
    .groupby(['Date'])
    .apply(lambda gdf: gdf.assign(Data4=lambda gdf: gdf['Data3'].sum()))
    .droplevel(0)
)

外：

（为什么 python 表达式在括号内？这样我们就不需要在代码中到处撒反斜杠，我们可以在表达式代码中添加注释来描述每个步骤。

这有什么强大之处？而是它正在利用“拆分-应用-组合范式”的全部力量。它允许您在不减少/聚合的情况下“将数据帧拆分为块”和“在这些块上运行任意操作”来思考，即不减少行数。（并且没有编写明确的、冗长的循环，也没有诉诸昂贵的连接或串联来粘合结果。

让我们考虑一个更复杂的例子。数据帧中包含多个时间序列数据。您有一个表示某种产品的列，一个具有时间戳的列，以及一个包含该产品在一年中某个时间销售的项目数的列。您希望按产品分组并获取一个新列，该列包含每个类别的已售物料的累计总数。我们想要一个列，在具有相同乘积的每个“块”中，仍然是一个时间序列，并且单调增加（仅在一个块内）。

我们怎样才能做到这一点？用 + ！groupbyapply

(pd
     .DataFrame({
        'Date': ['2021-03-11','2021-03-12','2021-03-13','2021-03-11','2021-03-12','2021-03-13'], 
        'Product': ['shirt','shirt','shirt','shoes','shoes','shoes'], 
        'ItemsSold': [300, 400, 234, 80, 10, 120],
        })
    .groupby(['Product'])
    .apply(lambda gdf: (gdf
        # sort by date within a group
        .sort_values('Date')
        # create new column
        .assign(CumulativeItemsSold=lambda df: df['ItemsSold'].cumsum())))
    .droplevel(0)
)

外：

这种方法的另一个优点是什么？即使我们必须按多个字段分组，它也可以工作！例如，如果我们的产品有一个字段，并且我们想要按 分组的累积序列，我们可以：'Color'(Product, Color)

(pd
     .DataFrame({
        'Date': ['2021-03-11','2021-03-12','2021-03-13','2021-03-11','2021-03-12','2021-03-13',
                 '2021-03-11','2021-03-12','2021-03-13','2021-03-11','2021-03-12','2021-03-13'], 
        'Product': ['shirt','shirt','shirt','shoes','shoes','shoes',
                    'shirt','shirt','shirt','shoes','shoes','shoes'], 
        'Color': ['yellow','yellow','yellow','yellow','yellow','yellow',
                  'blue','blue','blue','blue','blue','blue'], # new!
        'ItemsSold': [300, 400, 234, 80, 10, 120,
                      123, 84, 923, 0, 220, 94],
        })
    .groupby(['Product', 'Color']) # We group by 2 fields now
    .apply(lambda gdf: (gdf
        .sort_values('Date')
        .assign(CumulativeItemsSold=lambda df: df['ItemsSold'].cumsum())))
    .droplevel([0,1]) # We drop 2 levels now

外：

（这种轻松扩展到对多个字段进行分组的可能性是我喜欢将 groupby 的参数始终放在列表中的原因，即使它是一个名称，例如上一个示例中的“Product”。

你可以在一个表达式中综合地完成所有这些工作。（当然，如果 python 的 lambda 看起来更好看一点，它看起来会更好看。

---

我为什么要回顾一个一般案例？因为这是在谷歌上搜索“pandas new column groupby”之类的东西时首先弹出的 SO 问题之一。

---

关于此类操作的 API 的其他想法

基于对组进行的任意计算添加列很像在 SparkSQL 中使用 Windows 聚合定义新列的好习惯。

例如，你可以想到这个（它是 Scala 代码，但 PySpark 中的等效代码看起来几乎相同）：

val byDepName = Window.partitionBy('depName)
empsalary.withColumn("avg", avg('salary) over byDepName)

就像（以我们上面看到的方式使用熊猫）：

empsalary = pd.DataFrame(...some dataframe...)
(empsalary
    # our `Window.partitionBy('depName)`
    .groupby(['depName'])
    # our 'withColumn("avg", avg('salary) over byDepName)
    .apply(lambda gdf: gdf.assign(avg=lambda df: df['salary'].mean()))
    .droplevel(0)
)

（请注意 Spark 示例的合成性和美感。熊猫等价物看起来有点笨拙。pandas API 并不能使编写这些“流畅”的操作变得容易）。

这个成语又来自 SQL 的窗口函数，PostgreSQL 文档给出了一个非常好的定义：（强调我的）

window 函数对一组以某种方式与当前行相关的表行执行计算。这与可以使用聚合函数完成的计算类型相当。但与常规聚合函数不同的是，使用 window 函数不会导致行分组为单个输出行 - 行保留其单独的标识。在后台，window 函数能够访问的不仅仅是查询结果的当前行。

并给出了一个漂亮的 SQL 单行示例：（在组内排名）

SELECT depname, empno, salary, rank() OVER (PARTITION BY depname ORDER BY salary DESC) FROM empsalary;

---

最后一件事：您可能还对 pandas 的管道感兴趣，它与 pandas 的管道相似，但工作方式略有不同，并为内部操作提供了更大的工作范围。查看此处了解更多信息apply

df = pd.DataFrame({
'Date' : ['2015-05-08', '2015-05-07', '2015-05-06', '2015-05-05', '2015-05-08', '2015-05-07', '2015-05-06', '2015-05-05'], 
'Sym'  : ['aapl', 'aapl', 'aapl', 'aapl', 'aaww', 'aaww', 'aaww', 'aaww'], 
'Data2': [11, 8, 10, 15, 110, 60, 100, 40],
'Data3': [5, 8, 6, 1, 50, 100, 60, 120]
})
print(pd.pivot_table(data=df,index='Date',columns='Sym',     aggfunc={'Data2':'sum','Data3':'sum'}))

输出

Data2      Data3     
Sym         aapl aaww  aapl aaww
Date                            
2015-05-05    15   40     1  120
2015-05-06    10  100     6   60
2015-05-07     8   60     8  100
2015-05-08    11  110     5   50