Pandas链式调用排序后分组累计求和结果异常原因咨询

原始数据 #

问题场景 #

链式调用代码及异常结果

activity.sort_values('event_date').assign(
        games_played_so_far = activity.groupby('player_id')
        .games_played.cumsum())[['player_id', 'event_date', 'games_played_so_far']]

输出结果（games_played_so_far不符合预期）：

原地排序代码及正确结果

activity.sort_values('event_date', inplace = True)
activity.assign(games_played_so_far = activity.groupby('player_id')
        .games_played.cumsum())[['player_id', 'event_date', 'games_played_so_far']]

输出结果：

原因分析 #

核心问题：链式调用中groupby引用的是原始未排序数据

activity.sort_values('event_date')会生成一个全新的排序后DataFrame，但assign参数里的activity.groupby(...)依然指向原始未排序的activity对象，不是前面排序后的结果。

• 原始数据中player_id=1的行顺序是：2016-03-01（5）→2016-05-02（1）→2015-06-25（2），所以cumsum计算结果是5→6→8。
• 排序后的新DataFrame把player_id=1的行顺序调整为2015-06-25→2016-03-01→2016-05-02，但assign时会按原始索引把旧的cumsum值对应到新行上，导致数值完全错位。

而原地排序inplace=True直接修改了原始activity的行顺序，此时groupby基于排序后的数据计算，cumsum自然是按时间递增累加，结果正确。

为什么不是所有DataFrame都会出现异常？

只有当原始DataFrame的行顺序不满足分组内按event_date递增时才会出问题：

• 如果原始数据已经是按player_id+event_date排序好的，那么链式调用中原始数据的cumsum结果和排序后的行顺序一致，不会出现错位。
• 只有当分组内的时间顺序混乱时，才会暴露这个引用错误。

正确的链式调用写法 #

要让groupby基于排序后的DataFrame计算，在链式调用里用lambda x指代前面的结果即可：

activity.sort_values('event_date').assign(
        games_played_so_far = lambda x: x.groupby('player_id')
        .games_played.cumsum())[['player_id', 'event_date', 'games_played_so_far']]

这里的x就是sort_values生成的排序后DataFrame，cumsum基于分组内的时间顺序计算，结果符合预期。

内容的提问来源于stack exchange，提问作者Nick