Pandas分组后将列表列拆分至现有DataFrame的实现方法

我明白你想要的是在生成g12的过程中，直接把自定义聚合函数返回的列表拆成独立列，而不是先存成一个列表列再通过新DataFrame合并。这里有两种简洁的实现方式，完全不需要额外的合并步骤：

方法1：修改自定义函数返回Series（推荐） #

让你的聚合函数直接返回带列名的pd.Series，这样分组聚合后会自动生成多列，你可以直接合并到原DataFrame中：

import numpy as np
import pandas as pd

# 数据生成
df = pd.DataFrame(data= {'ticker': ['AAPL','AAPL','AAPL','IBM','IBM','IBM'], 'side': ['B','B','S','S','S','B'], 'size': [100, 200, 300, 400, 100, 200], 'price': [10.12, 10.13, 10.14, 20.3, 20.2, 20.1]})

# 修改函数，返回带索引的Series，指定拆分后的列名
def fnpercentiles(a):
    return pd.Series(
        [np.percentile(a, 25), np.percentile(a, 75)],
        index=['price_p25', 'price_p75']  # 自定义列名，清晰直观
    )

# 分组操作
g = df.groupby(['ticker', 'side'])
g12 = pd.DataFrame()
g12['price/mean'] = g['size'].mean() / g['price'].sum()

# 直接将聚合后的多列合并到g12
g12 = pd.concat([g12, g['price'].agg(fnpercentiles)], axis=1)

这样操作后，g12会直接包含price/mean、price_p25和price_p75三列，完全不需要处理列表转DataFrame的步骤。

方法2：保持原函数不变，用apply(pd.Series)展开列表 #

如果你不想修改原有的fnpercentiles函数，可以直接对聚合后的列表列使用apply(pd.Series)，将其拆分为多列并直接赋值给g12的新列：

import numpy as np
import pandas as pd

# 数据生成
df = pd.DataFrame(data= {'ticker': ['AAPL','AAPL','AAPL','IBM','IBM','IBM'], 'side': ['B','B','S','S','S','B'], 'size': [100, 200, 300, 400, 100, 200], 'price': [10.12, 10.13, 10.14, 20.3, 20.2, 20.1]})

# 保持原函数不变
def fnpercentiles(a):
    return [np.percentile(a, 25), np.percentile(a, 75)]

# 分组操作
g = df.groupby(['ticker', 'side'])
g12 = pd.DataFrame()
g12['price/mean'] = g['size'].mean() / g['price'].sum()

# 直接将列表列拆分为多列并赋值给g12
g12[['price_p25', 'price_p75']] = g['price'].agg(fnpercentiles).apply(pd.Series)

为什么你之前的尝试无效？ #

你之前用g['price'].agg([fnpercentiles]).tolist()[0]的问题在于，tolist()[0]只会提取第一个分组的列表值，而不是每个分组对应的列表，导致赋值时长度不匹配。而apply(pd.Series)会遍历每个分组的列表，将其转换为对应行的列值，完美匹配原DataFrame的索引。

执行上述任意一种方法后，g12的结果如下：

price/mean  price_p25  price_p75
ticker side                                    
AAPL   B        0.099256     10.125     10.125
       S        0.098907     10.140     10.140
IBM    B        0.049751     20.100     20.100
       S        0.074627     20.250     20.250

内容的提问来源于stack exchange，提问作者user13874