可以使用get_group方法：

In [21]: gb.get_group('foo')
Out[21]: 
     A         B   C
0  foo  1.624345   5
2  foo -0.528172  11
4  foo  0.865408  14

• 注意：这不需要为每个组创建一个中间字典/每个子 Dataframe 的副本，所以比使用dict(iter(gb))创建朴素字典更节省内存。这是因为它使用了groupby对象中已有的数据结构。*

您可以使用groupby切片选择不同的列：

In [22]: gb[["A", "B"]].get_group("foo")
Out[22]:
     A         B
0  foo  1.624345
2  foo -0.528172
4  foo  0.865408

In [23]: gb["C"].get_group("foo")
Out[23]:
0     5
2    11
4    14
Name: C, dtype: int64

Wes McKinney（pandas的作者）在Python for Data Analysis中提供了以下配方：

groups = dict(list(gb))

它返回一个字典，其键是您的组标签，其值是DataFrames，即

groups['foo']

将产生您正在寻找的内容：

A         B   C
0  foo  1.624345   5
2  foo -0.528172  11
4  foo  0.865408  14

而不是

gb.get_group('foo')

我更喜欢使用gb.groups

df.loc[gb.groups['foo']]

因为这样你也可以选择多列。例如：

df.loc[gb.groups['foo'],('A','B')]

gb = df.groupby(['A'])

gb_groups = grouped_df.groups

如果要查找选择性groupby对象，请执行以下操作：gb_groups.keys（），并将所需密钥输入到以下密钥列表中。

gb_groups.keys()

key_list = [key1, key2, key3 and so on...]

for key, values in gb_groups.items():
    if key in key_list:
        print(df.ix[values], "\n")

我正在寻找一种方法来抽样的几个成员的GroupBy obj -不得不解决张贴的问题，以完成这一点。

根据some_key列创建groupby对象

grouped = df.groupby('some_key')

选择N个 Dataframe 并获取其索引

sampled_df_i  = random.sample(grouped.indices, N)

抓取分组

df_list  = map(lambda df_i: grouped.get_group(df_i), sampled_df_i)

可选-将其全部转换回单个 Dataframe 对象

sampled_df = pd.concat(df_list, axis=0, join='outer')

df.groupby('A').get_group('foo')

相当于：

df[df['A'] == 'foo']