如何在pandas数据框中获取行，在列中使用最大值并保留原始索引？

Question

我有一个熊猫数据框。 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）。

每当我在第一列中有多个包含相同值的行时，我只想留下第三列中具有最大值的行。 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，我不想让c1作为索引。 我想要的是：

  c1 c2  c3
1  a  c   3
4  b  c  12

Answer 1

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

如果返回一个Series，则Series的索引将成为最终结果的列，groupby键将成为索引（有点令人费解）。

如果您返回一个DataFrame，最终结果使用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。

使用Pandas 0.13，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，相当于：

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

---

顺便说一句， behzad.nouri的聪明而优雅的解决方案对于小型DataFrame来说比我的快。 然而，该sort将时间复杂度从O(n)提升到O(n log n) ，因此当应用于更大的DataFrame时，它变得比上面显示的to_frame解决方案慢。

以下是我对它进行基准测试的方法：

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是我尝试的另一种可能性。）

Answer 2

试试这个：

df.sort('c3').groupby('c1', as_index=False).tail(1)