python - DataFrame.groupby() 和 max() 出现意外结果

Question

假设我有一个包含姓名、性别及其计数的 CSV。

我正在使用 groupby() 和 max() 查找多数名称。但我从结果中发现了一些奇怪的事情:

CSV:

Name     Gender  Count
Connie   F       90
Connie   F       78
Peter    M       200
Connie   M       5
Connie   F       94
Connie   F       67
John     M       100
Connie   F       73
Connie   F       82
Connie   F       73
May      F       65

代码的第一部分看起来不错:

>>>data = pd.read_csv('names.txt',names=['Name','Gender','Count'])
>>>data = data.groupby(['Name','Gender']).sum().reset_index()
>>>print (data)
     Name Gender  Count
0  Connie      F    557
1  Connie      M      5
2    John      M    100
3     May      F     65
4   Peter      M    200

有两条包含“Connie”的记录，我需要选择最多的一条。

>>>data= data.groupby(['Name']).max().reset_index()
>>>print(data)
     Name Gender  Count
0  Connie      M    557
1    John      M    100
2     May      F     65
3   Peter      M    200

我是否做错了什么，导致“Connie”的性别是 M 而不是 F？而最大计数是正确的

Answer 1

这是正确的，因为M > F，更好的解释是here .

我还发现this ，因此 automatic exclusion of nuisance columns 不会省略 string 列:

strings have lt() defined so the built in min() and max() work on them. If the non-numeric object supports the proper comparison methods, min() and max() aggregate functions should be non-ambiguous.

print (data.groupby(['Name'])['Gender'].max())
Name
Connie    M
John      M
May       F
Peter     M
Name: Gender, dtype: object

为了正确输出需要idxmax获取 Count 列中每组最大值的索引，然后按 loc 选择:

print (data.groupby(['Name'])['Count'].idxmax())
Name
Connie    0
John      2
May       3
Peter     4
Name: Count, dtype: int64

data = data.loc[data.groupby(['Name'])['Count'].idxmax()]
print (data)
     Name Gender  Count
0  Connie      F    557
2    John      M    100
3     May      F     65
4   Peter      M    200