为何df.groupby(...).agg(set)与lambda x:set(x)执行结果不同？

我之前也踩过这个坑，咱们结合你给出的测试数据把这个问题拆解明白：

首先先定义测试用的DataFrame：

import pandas as pd

df = pd.DataFrame({
    'user_id': [1, 2, 3, 4, 1, 2, 3],
    'class_type': ['Krav Maga', 'Yoga', 'Ju-jitsu', 'Krav Maga', 'Ju-jitsu','Krav Maga', 'Karate'],
    'instructor': ['Bob', 'Alice','Bob', 'Alice','Alice', 'Alice','Bob']
})

两种调用方式的结果差异 #

先看你给出的lambda包装的调用结果，这是完全符合预期的——每个用户对应的课程类型和教练都被转换成了无重复的集合：

df.groupby('user_id').agg(lambda x: set(x))

输出：

class_type       instructor
user_id
1         {Krav Maga, Ju-jitsu}  {Alice, Bob}
2         {Yoga, Krav Maga}     {Alice}
3         {Ju-jitsu, Karate}    {Bob}
4         {Krav Maga}           {Alice}

但如果直接使用df.groupby('user_id').agg(set)，你会发现结果大概率和预期不符——比如在部分Pandas版本中，它可能返回包含Series索引的集合，或者触发奇怪的内部逻辑，导致结果不是单纯的列值集合。

背后的原因 #

核心问题出在Pandas对agg()参数的解析逻辑：

• 当你用lambda x: set(x)时，相当于明确告诉Pandas：对每个分组后的单列Series对象x，直接把它的迭代值（也就是列里的实际数据）转换成集合。这个逻辑直白无歧义，完全按照你的预期执行。
• 而直接传入set时，Pandas内部会尝试将其匹配为官方支持的内置聚合函数（比如sum、mean这类），但set并不是Pandas认可的聚合函数，所以在不同版本的Pandas中，它的处理路径会出现差异——有的版本会把整个Series对象传入set（导致集合里包含索引元素），有的版本甚至会直接抛出错误。

解决方案 #

如果想稳定地得到分组列值的集合，优先使用lambda包装的方式，也就是lambda x: set(x)，它的行为更明确，不会受Pandas版本或内部逻辑变化的影响。如果追求更高性能，也可以用x.unique()再转集合，但lambda的方式可读性更好，更适合大多数场景。

内容的提问来源于stack exchange，提问作者MaxU - stand with Ukraine