如何在Pandas中删除按id分组后每组的第一行数据

首先，先把你的原始DataFrame整理成更清晰的可复现格式：

import pandas as pd

data = {
    'id': [1, 1, 1, 2, 2, 2, 2],
    'values': [3, 6, 3, 7, 6, 3, 9]
}
df = pd.DataFrame(data)

原始数据输出：

id  values
0   1       3
1   1       6
2   1       3
3   2       7
4   2       6
5   2       3
6   2       9

你期望的结果是移除每组的第一行：

id  values
1   1       6
2   1       3
4   2       6
5   2       3
6   2       9

为什么你原来的方法无效？ #

你使用的df.groupby('id').agg(lambda x:x[1:])之所以达不到预期，是因为agg（聚合）方法的设计目标是对每个分组生成单个聚合值（比如求和、取均值），而你返回的是切片后的Series，这会导致结果结构混乱，无法保留完整的行数据。

两种有效的解决方案 #

方案1：用groupby.apply直观操作分组数据

这种方法对每个分组的子DataFrame直接进行切片，逻辑清晰易懂：

df = df.groupby('id').apply(lambda x: x.iloc[1:]).reset_index(drop=True)

• apply(lambda x: x.iloc[1:])：对每个分组的子DataFrame，提取从第二行开始的所有行
• reset_index(drop=True)：移除分组后生成的多级索引，恢复成常规的DataFrame结构

方案2：用cumcount高效筛选（适合大数据集）

这种方法通过标记分组内的行号来筛选，性能比apply更优：

# 一行完成筛选：给每个分组内的行从0编号，保留编号≠0的行
df = df[df.groupby('id').cumcount() != 0]

cumcount()会为每个分组内的行分配递增序号（从0开始），我们只保留序号不为0的行，就精准移除了每组的第一行。

两种方法都能得到你想要的结果，小数据集用方案1更直观，大数据集优先选方案2提升效率~

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