Получить все ключи из объекта GroupBy в Pandas

Вам нужно использовать параметр sort=False в методе groupby, чтобы сохранить порядок ключей групп. Пример кода будет выглядеть так:

gp = df.groupby('group', sort=False)

Это позволит сохранить порядок, в котором встречаются уникальные значения в столбце 'group', вместо сортировки их по умолчанию.

Вы можете получить доступ к группам через атрибут .groups объекта groupby. Это возвращает словарь, где ключи словаря представляют собой группы:

In [40]:
df = pd.DataFrame({'group':[0,1,1,1,2,2,3,3,3], 'val':np.arange(9)})
gp = df.groupby('group')
gp.groups.keys()

Out[40]:
dict_keys([0, 1, 2, 3])

Вот вывод из groups:

In [41]:
gp.groups

Out[41]:
{0: Int64Index([0], dtype='int64'),
 1: Int64Index([1, 2, 3], dtype='int64'),
 2: Int64Index([4, 5], dtype='int64'),
 3: Int64Index([6, 7, 8], dtype='int64')}

Обновление

Поскольку тип groups является dict, порядок групп не сохраняется, когда вы вызываете keys:

In [65]:
df = pd.DataFrame({'group':list('bgaaabxeb'), 'val':np.arange(9)})
gp = df.groupby('group')
gp.groups.keys()

Out[65]:
dict_keys(['b', 'e', 'g', 'a', 'x'])

Если вы вызовете groups, вы можете увидеть, что порядок сохраняется:

In [79]:
gp.groups

Out[79]:
{'a': Int64Index([2, 3, 4], dtype='int64'),
 'b': Int64Index([0, 5, 8], dtype='int64'),
 'e': Int64Index([7], dtype='int64'),
 'g': Int64Index([1], dtype='int64'),
 'x': Int64Index([6], dtype='int64')}

Таким образом, порядок ключей сохраняется. Одно из решений этой проблемы — получить доступ к атрибуту .name каждой группы:

In [78]:
gp.apply(lambda x: x.name)

Out[78]:
group
a    a
b    b
e    e
g    g
x    x
dtype: object

Хотя это и не идеально, так как не является векторизованным, если у вас уже есть агрегированный объект, вы можете просто получить значения индекса:

In [81]:
agg = gp.sum()
agg

Out[81]:
       val
group     
a        9
b       13
e        7
g        1
x        6

In [83]:    
agg.index.get_level_values(0)

Out[83]:
Index(['a', 'b', 'e', 'g', 'x'], dtype='object', name='group')

Проблема с ответом EdChum заключается в том, что вызов gp.groups.keys() сначала создает полную словарь групп, что является медленной операцией на больших DataFrame. Это приводит к удвоению потребления памяти. Итерация значительно быстрее:

df = pd.DataFrame({'group': list('bgaaabxeb'), 'val': np.arange(9)})
gp = df.groupby('group')
keys = [key for key, _ in gp]

Выполнение этого генератора списков заняло у меня 16 секунд на моем объекте groupby, тогда как я был вынужден прервать gp.groups.keys() после 3 минут.