python - 如何获取 pandas 数据框中的行，列中有最大值并保留原始索引？

Question

我有一个 Pandas 数据框。在第一列中，它可以多次具有相同的值(换句话说，第一列中的值不是唯一的)。

每当我有几行在第一列中包含相同的值时，我想只在第三列中保留那些具有最大值的行。我几乎找到了解决方案:

import pandas

ls = []
ls.append({'c1':'a', 'c2':'a', 'c3':1})
ls.append({'c1':'a', 'c2':'c', 'c3':3})
ls.append({'c1':'a', 'c2':'b', 'c3':2})
ls.append({'c1':'b', 'c2':'b', 'c3':10})
ls.append({'c1':'b', 'c2':'c', 'c3':12})
ls.append({'c1':'b', 'c2':'a', 'c3':7})

df = pandas.DataFrame(ls, columns=['c1','c2','c3'])
print df
print '--------------------'
print df.groupby('c1').apply(lambda df:df.irow(df['c3'].argmax()))

结果我得到:

  c1 c2  c3
0  a  a   1
1  a  c   3
2  a  b   2
3  b  b  10
4  b  c  12
5  b  a   7
--------------------
   c1 c2  c3
c1          
a   a  c   3
b   b  c  12

我的问题是，我不想将 c1 作为索引。我想要的是:

  c1 c2  c3
1  a  c   3
4  b  c  12

Answer 1

调用 df.groupby(...).apply(foo) 时，foo 返回的对象类型会影响结果融合在一起的方式。

如果您返回一个系列，系列的索引成为最终结果的列，groupby 键成为索引(有点令人费解)。

如果相反，您返回一个 DataFrame，最终结果将使用 DataFrame 的索引作为索引值，并将 DataFrame 的列作为列(非常明智)。

因此，您可以通过将 Series 转换为 DataFrame 来安排所需的输出类型。

在 Pandas 0.13 中，您可以使用 to_frame().T 方法:

def maxrow(x, col):
    return x.loc[x[col].argmax()].to_frame().T

result = df.groupby('c1').apply(maxrow, 'c3')
result = result.reset_index(level=0, drop=True)
print(result)

产量

  c1 c2  c3
1  a  c   3
4  b  c  12

在 Pandas 0.12 或更早版本中，等同于:

def maxrow(x, col):
    ser = x.loc[x[col].idxmax()]
    df = pd.DataFrame({ser.name: ser}).T
    return df

---

顺便说一下，behzad.nouri's clever and elegant solution对于小型 DataFrame，它比我的更快。sort 将时间复杂度从 O(n) 提升到 O(n log n) 但是，它变得比 慢to_frame 解决方案适用于较大的 DataFrame。

以下是我对其进行基准测试的方式:

import pandas as pd
import numpy as np
import timeit


def reset_df_first(df):
    df2 = df.reset_index()
    result = df2.groupby('c1').apply(lambda x: x.loc[x['c3'].idxmax()])
    result.set_index(['index'], inplace=True)
    return result

def maxrow(x, col):
    result = x.loc[x[col].argmax()].to_frame().T
    return result

def using_to_frame(df):
    result = df.groupby('c1').apply(maxrow, 'c3')
    result.reset_index(level=0, drop=True, inplace=True)
    return result

def using_sort(df):
    return df.sort('c3').groupby('c1', as_index=False).tail(1)


for N in (100, 1000, 2000):
    df = pd.DataFrame({'c1': {0: 'a', 1: 'a', 2: 'a', 3: 'b', 4: 'b', 5: 'b'},
                       'c2': {0: 'a', 1: 'c', 2: 'b', 3: 'b', 4: 'c', 5: 'a'},
                       'c3': {0: 1, 1: 3, 2: 2, 3: 10, 4: 12, 5: 7}})

    df = pd.concat([df]*N)
    df.reset_index(inplace=True, drop=True)

    timing = dict()
    for func in (reset_df_first, using_to_frame, using_sort):
        timing[func] = timeit.timeit('m.{}(m.df)'.format(func.__name__),
                              'import __main__ as m ',
                              number=10)

    print('For N = {}'.format(N))
    for func in sorted(timing, key=timing.get):
        print('{:<20}: {:<0.3g}'.format(func.__name__, timing[func]))
    print

产量

For N = 100
using_sort          : 0.018
using_to_frame      : 0.0265
reset_df_first      : 0.0303

For N = 1000
using_to_frame      : 0.0358    \
using_sort          : 0.036     / this is roughly where the two methods cross over in terms of performance
reset_df_first      : 0.0432

For N = 2000
using_to_frame      : 0.0457
reset_df_first      : 0.0523
using_sort          : 0.0569

(reset_df_first 是我尝试过的另一种可能性。)