Pandas多层索引DataFrame取每个分组首行生成新表的实现问题

正确实现代码 #

你可以直接通过groupby结合first()方法实现需求，不需要额外排序（如果你的数据已经保证同一sid、vid分组内的行顺序符合预期的话）：

# 方法1：直接按多层索引分组取每组第一个pageid，sid、vid作为列返回
result = df.groupby(level=['sid', 'vid'], as_index=False)['pageid'].first()

# 如果需要保留sid、vid作为多层索引，去掉as_index=False即可
# result = df.groupby(level=['sid', 'vid'])['pageid'].first()

运行以上代码得到的result完全符合预期结果：

原有代码问题说明 #

• 语法错误：groupby(level=['sid','vid')缺少右方括号，正确写法是groupby(level=['sid','vid'])
• 取值逻辑错误：不能直接在groupby对象后加[0]取第一个值，需要调用first()、head(1)等分组聚合方法
• 内存错误原因：如果你的数据集非常大，额外执行sort_values会产生数据副本占用大量内存，如果你不需要按ts排序后再取第一个，可以直接省略排序步骤。如果确实需要先按ts排序再取每组第一个，可以修改为更节省内存的写法：

# 需按ts排序的场景优化写法
result = df.sort_values(['sid','ts'], ascending=True).groupby(level=['sid','vid'], as_index=False).nth(0)

内容的提问来源于stack exchange，提问作者S44