python - Pandas 在删除重复项后在 GroupBy 后丢失索引

Question

我试图保留除具有非最大数量的重复行之外的所有行。因此，最终我将拥有所有不重复的行。

输入

df
   name  amount
0     a    1000
1     a    2000
2     a    5000
3     b    1000
4     b    2000
5     c    3000
6     d    4000
7     e    5000
8     f    6000
9     g    7000
10    h    8000
11    h   10000

预期输出:

dd = df[df.duplicated(['name'], keep=False)]
idx = dd.groupby(['name'], sort=False)['amount'].max()

这给了我一个没有索引值 w.r.t df 的系列。如何获得预期的输出？

Answer 1

您可以避免 groupby 并使用 sort_values 和 drop_duplicates 保留索引:

df.sort_values('amount', ascending=False).drop_duplicates('name').sort_index()


   name  amount
2     a    5000
4     b    2000
5     c    3000
6     d    4000
7     e    5000
8     f    6000
9     g    7000
11    h   10000

你可以避免最后的 sort_index 调用:

df[~df.sort_values('amount', ascending=False).name.duplicated()]

   name  amount
2     a    5000
4     b    2000
5     c    3000
6     d    4000
7     e    5000
8     f    6000
9     g    7000
11    h   10000

根据 bool 索引重新索引 DataFrame 的理解。您必须接受 UserWarning，但是:

UserWarning: Boolean Series key will be reindexed to match DataFrame index.

---

特例
由于您的数据似乎已经排序，您可以这样做

df[~df.duplicated('name', keep='last')]

   name  amount
2     a    5000
4     b    2000
5     c    3000
6     d    4000
7     e    5000
8     f    6000
9     g    7000
11    h   10000

然而，这通常不会起作用。