问题:熊猫在每个组中获得最高的n条记录
假设我有这样的pandas DataFrame:
>>> df = pd.DataFrame({'id':[1,1,1,2,2,2,2,3,4],'value':[1,2,3,1,2,3,4,1,1]})
>>> df
   id  value
0   1      1
1   1      2
2   1      3
3   2      1
4   2      2
5   2      3
6   2      4
7   3      1
8   4      1我想获得一个新的DataFrame,其中每个ID的前2个记录如下:
   id  value
0   1      1
1   1      2
3   2      1
4   2      2
7   3      1
8   4      1我可以对分组依据中的记录进行编号:
>>> dfN = df.groupby('id').apply(lambda x:x['value'].reset_index()).reset_index()
>>> dfN
   id  level_1  index  value
0   1        0      0      1
1   1        1      1      2
2   1        2      2      3
3   2        0      3      1
4   2        1      4      2
5   2        2      5      3
6   2        3      6      4
7   3        0      7      1
8   4        0      8      1
>>> dfN[dfN['level_1'] <= 1][['id', 'value']]
   id  value
0   1      1
1   1      2
3   2      1
4   2      2
7   3      1
8   4      1但是,有没有更有效/更优雅的方法来做到这一点?还有一种更优雅的方法来对每个组中的数字进行记录(例如SQL窗口函数row_number())。
回答 0
你试过了吗 df.groupby('id').head(2)
Ouput生成:
>>> df.groupby('id').head(2)
       id  value
id             
1  0   1      1
   1   1      2 
2  3   2      1
   4   2      2
3  7   3      1
4  8   4      1(请记住,根据数据,您可能需要先进行订购/排序)
编辑:如发问者所述,用于df.groupby('id').head(2).reset_index(drop=True)去除多义词并展平结果。
>>> df.groupby('id').head(2).reset_index(drop=True)
    id  value
0   1      1
1   1      2
2   2      1
3   2      2
4   3      1
5   4      1回答 1
由于0.14.1,你现在可以做的nlargest和nsmallest一个上groupby对象:
In [23]: df.groupby('id')['value'].nlargest(2)
Out[23]: 
id   
1   2    3
    1    2
2   6    4
    5    3
3   7    1
4   8    1
dtype: int64您也可以在其中获得原始索引,这有点奇怪,但这可能真的有用,这取决于原始索引是什么。
如果您对它不感兴趣,可以.reset_index(level=1, drop=True)完全摆脱它。
(注意:从0.17.1开始,您也可以在DataFrameGroupBy上执行此操作,但现在它仅适用于Series和SeriesGroupBy。)
回答 2
有时,提前对整个数据进行排序非常耗时。我们可以先分组,然后对每个组进行topk:
g = df.groupby(['id']).apply(lambda x: x.nlargest(topk,['value'])).reset_index(drop=True)
	声明:本站所有文章,如无特殊说明或标注,均为本站原创发布。任何个人或组织,在未征得本站同意时,禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益,可联系我们进行处理。

