如何将Pandas Groupby输出转为DataFrame并按版本组计算quantile(.25)

我来帮你搞定这个问题，Pandas里做这件事其实非常直观，分两步就能轻松实现：

1. 按版本组计算25%分位数 #

假设你的数据框叫df，存储版本的列是version，需要计算分位数的数值列是value，直接用groupby搭配quantile方法就能完成分组计算：

# 计算每个版本组的25%分位数
grouped_quantile = df.groupby('version')['value'].quantile(0.25)

这时候得到的grouped_quantile是一个Series对象：索引是各个版本组，对应的值就是该组的25%分位数。

2. 将结果转换为DataFrame格式 #

如果想把这个Series转成标准的DataFrame，有几种简单好用的方法：

方法一：用reset_index()（最常用） #

这个方法会把原来的版本索引转为普通列，同时生成默认的整数索引，之后还可以给分位数列重命名，让结果更清晰：

quantile_df = grouped_quantile.reset_index()
# 重命名分位数列
quantile_df = quantile_df.rename(columns={'value': '25th_percentile'})

方法二：分组时直接设置as_index=False #

如果不想先得到Series再转换，也可以在分组阶段直接指定as_index=False，结果会直接输出为DataFrame：

quantile_df = df.groupby('version', as_index=False)['value'].quantile(0.25)
quantile_df = quantile_df.rename(columns={'value': '25th_percentile'})

方法三：用agg灵活扩展（适合多统计量场景） #

如果之后你需要同时计算多个分位数或其他统计量，agg方法会更灵活，结果直接就是结构化的DataFrame：

# 示例：同时计算25%、50%、75%分位数
quantile_df = df.groupby('version')['value'].agg(
    q25=lambda x: x.quantile(0.25),
    q50=lambda x: x.quantile(0.5),
    q75=lambda x: x.quantile(0.75)
).reset_index()

实际示例演示 #

假设你的测试数据是这样的：

import pandas as pd
data = {
    'version': ['v1', 'v1', 'v1', 'v2', 'v2', 'v2', 'v2'],
    'value': [10, 20, 30, 15, 25, 35, 45]
}
df = pd.DataFrame(data)

用第一种方法计算后，quantile_df的结构会是：

这样就完全符合你需要的DataFrame格式啦。

内容的提问来源于stack exchange，提问作者Edamame