python - 具有选择条件的 Pandas 数据框中的有效最大选择

Question

我有一个带有列(以及其他列)的 Pandas 数据框 user_id和 start_time .我想高效且可读地找到与每个用户的最大值关联的所有行 start_time .

例如，如果这是我的数据:

user_id   start_time   A    B    C
1         37           a    b    c
1         45           d    e    f
1         45           g    h    i
2         58           j    k    l
2         17           m    n    o
2         58           p    q    r
3          2           s    t    u

那么我希望找到

user_id   start_time   A    B    C
1         45           d    e    f
1         45           g    h    i
2         58           j    k    l
2         58           p    q    r
3          2           s    t    u

我一直在想出有点像 Conditional selection of data in a pandas DataFrame 的解决方案, 但它找到了 user_id最新start time ，而不是为每个用户最大值选择表 start_time的。

当然，如果我手动迭代DataFrame很容易，但是效率很低。

感谢您的指点。

为了方便 future 的读者，这样生成数据框:

columns = ['user_id', 'start_time', 'A', 'B', 'C']
LoL = [
    [1, 37, 'a', 'b', 'c'],
    [1, 45, 'd', 'e', 'f'],
    [1, 45, 'g', 'h', 'i'],
    [2, 58, 'j', 'k', 'l'],
    [2, 17, 'm', 'n', 'o'],
    [2, 58, 'p', 'q', 'r'],
    [3, 2, 's', 't', 'u']]
pd.DataFrame = (LoL, columns=columns)

Answer 1

您可以对 user_id 列进行分组，然后调用 apply 并传递一个 lambda 来过滤开始时间等于最大值的结果，我们希望由此生成一个 bool 索引。然后我们可以调用 reset_index 但由于 groupby 的过滤方式，我们将收到重复列的错误，因此我们必须删除此重复列:

In [66]:

gp = df.groupby('user_id')
gp.apply(lambda x: x[x['start_time'] == x['start_time'].max()]).reset_index(drop=True)

Out[66]:
   user_id  start_time  A  B  C
0        1          45  d  e  f
1        1          45  g  g  i
2        2          58  j  k  l
3        2          58  p  q  r
4        3           2  s  t  u

如果我们没有调用 reset_index，您会得到重复的值:

In [67]:

gp.apply(lambda x: x[x['start_time'] == x['start_time'].max()])
Out[67]:
           user_id  start_time  A  B  C
user_id                                
1       1        1          45  d  e  f
        2        1          45  g  g  i
2       3        2          58  j  k  l
        5        2          58  p  q  r
3       6        3           2  s  t  u

内部 bool 条件在多索引上生成一个 bool 掩码，然后需要将其传递给 lambda 以生成上述内容:

In [68]:

gp.apply(lambda x: x['start_time'] == x['start_time'].max())
Out[68]:
user_id   
1        0    False
         1     True
         2     True
2        3     True
         4    False
         5     True
3        6     True
Name: start_time, dtype: bool