如何用Pandas原生方法获取各分类列对应的最大值？

现有如下Pandas数据表：

name  time
0    A     1
1    A     2
2    B     3
3    A     6
4    A     7
5    A     3
6    B     1
7    B     4

每一行包含分类名称（name列）和对应的数值信息（time列）。需求是生成一张仅包含唯一name分类及其对应time列最大值的表。

当前的实现方式如下：

max_table = pd.DataFrame(
    {
        "name": data.name.unique(),
        "max_val": [
            data[data["name"] == name].time.max() for name in data.name.unique()
        ],
    }
)

这种方式需要在数据表和列表间转换，不够符合Pandas的原生风格，请问是否有仅用Pandas原生调用实现该需求的方法？

完整示例代码（含数据创建）：

data = pd.DataFrame(
    {
        "name": pd.Categorical(["A", "A", "B", "A", "A", "A", "B", "B"]),
        "time": [1, 2, 3, 6, 7, 3, 1, 4],
    }
)
print(data)
print("======================")

max_table = pd.DataFrame(
    {
        "name": data.name.unique(),
        "max_val": [
            data[data["name"] == name].time.max() for name in data.name.unique()
        ],
    }
)
print(max_table)

当然有，Pandas原生的分组聚合功能就能完美解决这个问题，无需手动遍历和列表转换，以下是两种简洁高效的实现方式：

方法1：分组后直接取最大值 #

通过groupby()按name列分组，然后对time列调用max()方法，最后用reset_index()将分组索引转为列，并重命名结果列：

max_table = data.groupby('name')['time'].max().reset_index(name='max_val')

方法2：使用聚合函数agg() #

如果后续需要扩展多个聚合操作（比如同时取最大值、最小值），agg()会更灵活。针对当前需求，写法如下：

max_table = data.groupby('name').agg(max_val=('time', 'max')).reset_index()

结果验证 #

运行上述任意一种方法，得到的max_table结果如下：

name  max_val
0    A        7
1    B        4

和你原代码的输出完全一致，但代码更符合Pandas的原生风格，执行效率也更高（尤其是处理大数据集时）。

内容的提问来源于stack exchange，提问作者Fantastic Mr Fox