Неожиданная группировка в группе панд

head(3) по крайней мере имеет размер каждой группы и поэтому печатает весь DataFrame.

import pandas as pd
import csv
from pandas.compat import StringIO

print(pd.__version__)

csvdata = StringIO("""project,effort,type
p1,6,feature
p2,4.5,feature
p3,4.375,bug
p4,4,bug
p5,3.875,bug
p6,3.5,upgrade
p7,3.5,feature
p8,3,upgrade
p9,2,upgrade""")

df = pd.read_csv(csvdata, sep=",")

print(df)
print(df.sort_values(['effort'], ascending=False).groupby('type').head(1))

Производит

0.24.2
  project  effort     type
0      p1   6.000  feature
1      p2   4.500  feature
2      p3   4.375      bug
3      p4   4.000      bug
4      p5   3.875      bug
5      p6   3.500  upgrade
6      p7   3.500  feature
7      p8   3.000  upgrade
8      p9   2.000  upgrade
  project  effort     type
0      p1   6.000  feature
2      p3   4.375      bug
5      p6   3.500  upgrade

Но код MCVE показывает только использование Grouper. Функция, такая как mean(), будет более полезной.

В предоставленном примере набора данных каждый проект представляет собой отдельную запись определенного типа. В этом случае мы можем получить 3 лучших проекта усилиями nlargest, а затем groupby и sum усилиями:

df.nlargest(3, 'effort').groupby('type').sum()

Выход:

         effort
type           
bug       4.375
feature  10.500

Постскриптум Вот немного объяснить, что пошло не так

dev.sort_values(['effort'], ascending=False).groupby('type').head(3)

Когда вы используете head для объекта GroupBy, он берет первые элементы для каждой группы (см. Документ по head), так что вы получаете топ-3 за каждую из функций, ошибок и «обновить». Если вы примените head до groupby, это будет работать правильно:

dev.sort_values(['effort'], ascending=False).head(3).groupby('type').sum()

По сути, это то же самое, что и в моем решении выше, с той лишь разницей, что я использовал nlargest вместо сортировки и применения head впоследствии (nlargest немного более кратко)

Обновить: вы можете предварительно отсортировать по типу (по возрастанию) и по усилию (по убыванию) + groupby и head:

df.sort_values(['type', 'effort'], ascending=[1,0]).groupby('type').head(3)

Выход:

  project  effort     type
2      p3   4.375      bug
3      p4   4.000      bug
4      p5   3.875      bug
0      p1   6.000  feature
1      p2   4.500  feature
6      p7   3.500  feature
5      p6   3.500  upgrade
7      p8   3.000  upgrade
8      p9   2.000  upgrade

По всей видимости, в pandas обсуждается here открытый вопрос на этот счет.