如何在Pandas GroupBy操作中修改指定分组的DataFrame？

现有包含多分组的DataFrame：

import pandas as pd

df = pd.DataFrame({
    'time': ['01/01/2023', '02/01/2023', '01/01/2023', '02/01/2023'], 
    'name': ['DE_STC', 'DE_STC','FR_STC', 'FR_STC'],
    'value': [1, 2, 3, 4]})

希望基于name字段分组，将另一个DataFrame的数值多次累加到指定分组。待累加的DataFrame示例：

# 待累加的DataFrame
df_fr_stc = pd.DataFrame({
    'time': ['01/01/2023', '02/01/2023'], 
    'value': [-1, -1]}) 

当前尝试的代码：

df_grouped = df.groupby('name')

for i in range(3):
    df_temp = df_grouped.get_group('DE_STC')
    df_temp = pd.concat([df_temp, df_fr_stc], sort=False).groupby(['time']).sum().reset_index()   

现在需要类似set_group()的方法，用新生成的DataFrame替换指定分组，比如：

df_grouped.set_group(pd.concat([df_grouped.get_group('FR_STC'), df_fr_stc], sort=False).groupby(['time']).sum().reset_index())

期望最终结果：

> df
         time    name  value
0  01/01/2023  DE_STC      1
1  02/01/2023  DE_STC      2
2  01/01/2023  FR_STC      0
3  02/01/2023  FR_STC      1

补充说明（实际业务场景） #

实际业务中的DataFrame结构：

> df
                  time    name  value
0     01/01/2023 00:00:00  DE_STC      1
1     01/01/2023 01:00:00  DE_STC      1
...
8759  31/12/2023 23:00:00  DE_STC      1
8760  01/01/2023 00:00:00  FR_STC      2
8761  01/01/2023 01:00:00  FR_STC      2
...
17519 31/12/2023 23:00:00  FR_STC      2
...

需要处理订单式数值累加：比如给所有DE_STC数据加3，或给2023年每小时的FR_STC数据加7。待累加的DataFrame示例：

> df_fr_stc
                  time    name  value
0     01/01/2023 00:00:00  FR_STC      7
1     01/01/2023 01:00:00  FR_STC      7
...
8759  31/12/2023 23:00:00  FR_STC      7

> df_de_stc
                  time    name  value
0     01/01/2023 00:00:00  DE_STC      3
1     01/01/2023 01:00:00  DE_STC      3
...
8759  31/12/2023 23:00:00  DE_STC      3

生成2023年按小时分布的DataFrame代码（存在问题的部分标注）：

from datetime import timedelta

for i in df_orders:    
    dt_start = i[29]
    dt_end = i[28] - timedelta(hours=1)

    dti = pd.date_range(dt_start, dt_end, freq='H').to_pydatetime() # 指定小时频率
    
    df = pd.DataFrame(dti, columns=['time'])
    df['value'] = i[12] # 添加常量值列
    
    # 此处操作存在问题，无法直接修改分组后的DataFrame
    df_op_test.get_group(order_group) = pd.concat([df_op_test.get_group(order_group), df], sort=False).groupby(['time']).sum().reset_index()

期望最终结果：

> df
                  time    name  value
0     01/01/2023 00:00:00  DE_STC      4
1     01/01/2023 01:00:00  DE_STC      4
...
8759  31/12/2023 23:00:00  DE_STC      4
8760  01/01/2023 00:00:00  FR_STC      9
8761  01/01/2023 01:00:00  FR_STC      9
...
17519 31/12/2023 23:00:00  FR_STC      9
...

Pandas的GroupBy对象本身不支持直接修改分组（没有set_group方法），但可以通过以下两种方式实现需求：

方法1：拆分分组后替换再合并 #

1. 将分组后的每个组转换为字典，键是分组名，值是对应DataFrame
2. 修改指定分组的DataFrame
3. 重新合并所有分组得到新的DataFrame

示例代码：

# 初始分组
df_grouped = df.groupby('name')

# 转换为字典
group_dict = dict(list(df_grouped))

# 修改FR_STC分组：合并原分组与待累加数据，按time求和
updated_fr = pd.concat([group_dict['FR_STC'], df_fr_stc], sort=False).groupby('time').sum().reset_index()
updated_fr['name'] = 'FR_STC' # 恢复name列

# 替换字典中的FR_STC分组
group_dict['FR_STC'] = updated_fr

# 合并所有分组得到最终DataFrame
df_final = pd.concat(group_dict.values(), ignore_index=True)

方法2：直接合并后全局分组求和（更高效） #

不需要单独操作分组，直接将原DataFrame与所有待累加DataFrame合并，然后按name和time分组求和，这种方法更适合批量累加操作。

示例代码：

# 假设需要多次累加，比如给FR_STC加3次df_fr_stc
# 先复制待累加数据3次
df_fr_stc_repeated = pd.concat([df_fr_stc]*3, ignore_index=True)
df_fr_stc_repeated['name'] = 'FR_STC' # 补充name列

# 合并原数据与累加数据
combined_df = pd.concat([df, df_fr_stc_repeated], ignore_index=True)

# 按name和time分组求和
df_final = combined_df.groupby(['name', 'time'], as_index=False).sum()

针对实际业务场景，推荐方法2，因为当有多个累加操作时，只需将所有待累加的DataFrame（补充好name列）与原DataFrame合并，再一次分组求和即可，代码更简洁高效，避免循环操作分组。

内容的提问来源于stack exchange，提问作者R13mus