也许更好的方法是factorize：

df['A'].factorize()[0]

输出：

array([0, 1, 2, 1, 0])

您可以使用np.unique-

In [105]: a = np.array([9,8,7,8,9])

In [106]: u,idx,tags = np.unique(a, return_index=True, return_inverse=True)

In [107]: idx.argsort().argsort()[tags]
Out[107]: array([0, 1, 2, 1, 0])

可以将sort=Flase传递给groupby（）：

df.groupby('A', sort=False).ngroup()

a    0
b    1
c    2
d    1
e    0
dtype: int64

据我所知，在numpy中没有groupby的直接等价物。对于纯numpy版本，您可以使用numpy.unique()来获得唯一值。numpy.unique()可以选择返回逆，基本上是重新创建输入数组的索引数组，但它首先对唯一值进行排序。因此结果与使用常规（排序的）pandas.groupby()命令相同。
要解决此问题，可以捕获每个唯一值第一次出现时的索引值。对索引值进行排序，并将这些值用作原始数组的索引，以按原始顺序获取唯一值。创建一个字典以在唯一值和组编号之间进行Map，然后使用该字典将数组中的值转换为相应的组编号。

import numpy as np

arr = np.array([9, 8, 7, 8, 9])

_, i = np.unique(arr, return_index=True)  # get the indexes of the first occurence of each unique value
groups = arr[np.sort(i)]  # sort the indexes and retrieve the values from the array so that they are in the array order
m = {value:ngroup for ngroup, value in enumerate(groups)}  # create a mapping of value:groupnumber
np.vectorize(m.get)(arr)  # use vectorize to create a new array using m

array([0, 1, 2, 1, 0])