Pandas DataFrame分组后返回占比超n%的列最常见值，否则返回NA

实现思路 #

针对每个分组，先计算目标字符串列中各值的出现占比，取占比最高的值，若该值占比超过设定的百分比阈值则返回它，否则返回'NA'。

示例代码 #

1. 准备测试数据

import pandas as pd

df = pd.DataFrame({
    'group': ['A', 'A', 'A', 'A', 'B', 'B', 'B', 'C', 'C'],
    'str_col': ['x', 'x', 'y', 'x', 'a', 'b', 'b', 'm', 'n']
})

2. 通用函数实现

def get_dominant_value(df, group_col, target_col, threshold_pct):
    # 计算每个分组内各值的占比
    group_pct = df.groupby(group_col)[target_col].value_counts(normalize=True).reset_index(name='pct')
    # 提取每个分组占比最高的记录
    top_per_group = group_pct.groupby(group_col).nth(0)
    # 根据阈值判断返回值
    top_per_group['dominant_value'] = top_per_group.apply(
        lambda row: row[target_col] if row['pct'] >= threshold_pct / 100 else 'NA',
        axis=1
    )
    # 整理结果格式
    return top_per_group[['dominant_value']]

3. 调用测试（阈值设为60%）

result = get_dominant_value(df, 'group', 'str_col', 60)
print(result)

输出结果：

dominant_value
group                
A                   x
B                  NA
C                  NA

4. 更紧凑的聚合写法

如果偏好更简洁的代码，可以直接在groupby.agg中使用自定义函数：

def dominant_value(series, threshold_pct):
    count_pct = series.value_counts(normalize=True)
    if count_pct.empty:
        return 'NA'
    top_val, top_pct = count_pct.index[0], count_pct.iloc[0]
    return top_val if top_pct >= threshold_pct / 100 else 'NA'

# 调用方式
result = df.groupby('group')['str_col'].agg(dominant_value, threshold_pct=60).reset_index(name='dominant_value')

关键细节说明 #

• value_counts(normalize=True)：自动计算每个值在分组内的占比，无需手动计算总数再求比例
• 处理空分组：若分组内无数据，函数会返回'NA'，避免报错
• 阈值参数：支持任意百分比输入（如60代表60%），内部自动转换为小数进行比较

内容的提问来源于stack exchange，提问作者Yandle