Python 带lambda表达式和dict理解的熊猫groupby

这是有道理的：

>>> df
   group  valueCol
0      1         1
1      1         2
2      1         3
3      2         4
4      2         5
5      3         6
>>> df.dtypes
group       int64
valueCol    int64
dtype: object
>>> 

这没有道理。我希望通过调整可以看到列的不同值。但在所有列中复制的都是dict comprehension的最后一个值。这是预期的吗

>>> df.groupby('group')['valueCol'].agg({'mean': np.mean, 'sum': sum, 'len': len})
       sum  mean  len
group                
1        6   2.0    3
2        9   4.5    2
3        6   6.0    1

编辑：

我希望定义不同的lambda函数，但它们都是相同的

>>> df.groupby('group')['valueCol'].agg({'adjust-by-' + str(diff): lambda x: len(x) + diff for diff in [0, 1, 2]})
       adjust-by-0  adjust-by-1  adjust-by-2
group                                       
1                5            5            5
2                4            4            4
3                3            3            3
>>> df.groupby('group')['valueCol'].agg({'adjust-by-' + str(diff): lambda x: len(x) + diff for diff in [2, 1, 0]})
       adjust-by-0  adjust-by-1  adjust-by-2
group                                       
1                3            3            3
2                2            2            2
3                1            1            1
>>> 

>函数={i:lambda x:len（x）+i代表[0，1，2]}
>>>功能
{0: , 1: , 2: }
>>>df.groupby（'group'）['valueCol'].agg（lambda x:functions[1]（x））
组
1    5
2    4
3    3
名称：valueCol，数据类型：int64
>>>df.groupby（'group'）['valueCol'].agg（lambda x:functions[2]（x））
组
1    5
2    4
3    3
名称：valueCol，数据类型：int64

这很有效。我想我的lambda函数生成器是错的

>>> functions = {i: lambda x: len(x) + i for i in [0, 1, 2]}
>>> functions
{0: <function <dictcomp>.<lambda> at 0x107447510>, 1: <function <dictcomp>.<lambda> at 0x1074472f0>, 2: <function <dictcomp>.<lambda> at 0x1074471e0>}
>>> df.groupby('group')['valueCol'].agg(lambda x: functions[1](x))
group
1    5
2    4
3    3
Name: valueCol, dtype: int64
>>> df.groupby('group')['valueCol'].agg(lambda x: functions[2](x))
group
1    5
2    4
3    3
Name: valueCol, dtype: int64

def crtfunc（一）： 返回λx:len（x）+i >>>crtfunc（2） >>>crtfunc（2）（[1,2,3]） 5. >>>函数3={i:crtfunc（i）在[0，1，2]} >>>功能3 {0: , 1: , 2: } >>>df.groupby（'group'）['valueCol'].agg（函数3[0]） 组 1 3 2 2 3 1 名称：valueCol，数据类型：int64 >>>df.groupby（'group'）['valueCol'].agg（函数3[2]） 组 1 5 2 4 3 3 名称：valueCol，数据类型：int64 >>>df.groupby（'group'）['valueCol'].agg（{'adjust-by'+str（i）：函数3[i]用于[0,1,2]}中的i） 调整-by0调整-by2调整-by1 组 1 3 5 4 2 2 4 3 3 1 3 2

>>> def crtfunc(i):
           return lambda x: len(x) + i

>>> crtfunc(2)
<function crtfunc.<locals>.<lambda> at 0x1074477b8>

>>> crtfunc(2)([1,2,3])
5

>>> functions3 = {i: crtfunc(i) for i in [0, 1, 2]}
>>> functions3
{0: <function crtfunc.<locals>.<lambda> at 0x1074479d8>, 1: <function
crtfunc.<locals>.<lambda> at 0x107447840>, 2: <function
crtfunc.<locals>.<lambda> at 0x107447620>}

>>> df.groupby('group')['valueCol'].agg(functions3[0])
group
1    3
2    2
3    1
Name: valueCol, dtype: int64

>>> df.groupby('group')['valueCol'].agg(functions3[2])
group
1    5
2    4
3    3
Name: valueCol, dtype: int64

>>> df.groupby('group')['valueCol'].agg({'adjust-by'+str(i): functions3[i] for i in [0, 1, 2]})

       adjust-by0  adjust-by2  adjust-by1
group
1               3           5           4
2               2           4           3
3               1           3           2