如何基于另一DataFrame的指定列对Pandas DataFrame执行groupby分组

你直接传入df2[['col1', 'col2']]会触发报错，是因为pandas的groupby的by参数默认不接受二维的DataFrame作为分组器，只支持一维的序列/索引、或者由多个一维分组器组成的列表。

下面给出三种常用的简洁写法，你可以根据使用场景选择：

方法1：列表推导式（兼容性最好） #

如果你的分组列已经整理成了列表变量，直接用列表推导式生成多个分组器的列表即可，不需要逐个手动写df2['xxx']：

# 先定义你要用到的df2分组列
group_cols = ['col1', 'col2', 'col3', 'col4']
# 直接传入推导式生成的分组器列表
df1.groupby([df2[col] for col in group_cols])

这个方法兼容所有pandas版本，分组结果会自动保留df2的列名作为分组键的标识，后续处理最方便。

方法2：转元组序列（写法最短） #

把df2的多列按行聚合为一维的元组序列作为分组器：

df1.groupby(df2[['col1', 'col2']].agg(tuple, axis=1))

这个写法最简洁，但分组后的组名会以元组形式展示，不会保留原列名，适合只需要聚合计算、不需要后续处理分组键信息的场景。

方法3：转多级索引（保留元信息最完整） #

用pandas内置的MultiIndex.from_frame接口直接把df2的多列转为多级索引作为分组器：

import pandas as pd
df1.groupby(pd.MultiIndex.from_frame(df2[['col1', 'col2']]))

这个方法的分组结果会自动生成为多级索引，完整保留df2的列名作为层级名称，适合需要对分组结果做进一步索引操作的场景。

你可以用下面的测试代码验证三种写法的效果，和你原来手动传入多个df2[col]的结果完全一致：

import pandas as pd
import numpy as np

# 构造两个同索引的测试DataFrame
df1 = pd.DataFrame({'value': np.random.randn(6)}, index=range(6))
df2 = pd.DataFrame({
    'col1': ['A','A','A','B','B','B'],
    'col2': [1,1,2,2,3,3]
}, index=range(6))

# 三种写法的分组求和结果完全一致
res1 = df1.groupby([df2['col1'], df2['col2']]).sum()
res2 = df1.groupby([df2[col] for col in ['col1','col2']]).sum()
res3 = df1.groupby(pd.MultiIndex.from_frame(df2[['col1','col2']])).sum()

print(res1.equals(res2)) # 输出True
print(res1.equals(res3)) # 输出True

内容的提问来源于stack exchange，提问作者Stalpotaten