python - 获取组内的最大值，但不仅仅是第一个(ex æquo 也是如此)

Question

我解释一下上下文:我有一个来自 Augustus 的输出(针对 2 个物种)有很多序列，我做了一个爆炸并得到了一组同源配对序列，我现在需要做的是只保留这些序列每个集群中的最高身份，甚至是以前的身份。 例如:

我实际上有一个数据框:

custer     seq 1       seq2        pident    whatever
1           A           B           89          47
1           A           B           89          68
1           C           D           45          90
2           E           F           79          25
2           G           H           89          45

……我想要得到的是:

custer     seq 1       seq2        pident    whatever
1           A           B           89          47
1           A           B           89          68
2           G           H           89          45

事实上，我想在每个集群中的 pident 列中保留最大值的行，但不仅仅是第一个，因为以下脚本会这样做:

data_grpd = data.groupby(['cluster'])
result=data.loc[data_grpd['pident'].idxmax()]

我得到:

custer     seq 1       seq2        pident    whatever
1           A           B           89          47
2           G           H           89          45

换句话说，如果存在 ex æquo，我想将它们全部保留在每个集群中。

有人可以帮助我吗？

谢谢。

Answer 1

使用transform每组的 max 值与原始 DataFrame 大小相同，按 pident 列比较，最后按 boolean indexing 过滤:

data_grpd = data.groupby(['cluster'])
result = data.loc[data_grpd['pident'].transform('max') == data['pident']]
print (result)
   cluster seq 1 seq2  pident  whatever
0        1     A    B      89        47
1        1     A    B      89        68
4        2     G    H      89        45

详细信息:

print (data_grpd['pident'].transform('max'))
0    89
1    89
2    89
3    89
4    89
Name: pident, dtype: int64

编辑:一种可能的解决方案是先排序:

data_wo_eqSpec[['seq1','seq2']] = np.sort(data_wo_eqSpec[['seq1','seq2']], axis=1)

data_grpd = data_wo_eqSpec.groupby(['cluster_name'])
result = data_wo_eqSpec.loc[data_grpd['pident'].transform('max') == data_wo_eqSpec['pident']]
print(result)