在python中与另一列具有相同值的行中选择具有最高列值的csv行

Question

我使用潜在狄利克雷分配为 5000 多个 txt 文档创建了一个包含 20 个主题的主题模型。 我现在有一个 .csv 文件，其中包含三列：文档编号、主题编号和文档中主题的概率。 它看起来像这样（对于文档 n°1 和 n°2）：

1   1   0,113
1   4   0,2
1   7   0,156
1   17  0,065
1   18  0,463
2   1   0,44
2   6   0,207
2   14  0,103
2   16  0,126
2   17  0,015
2   18  0,106

基本上，我想知道某个主题的文档列表，其中该主题的概率最高。

我想我必须执行以下操作：

1) 为第 1 列中的每个相同值（称为doc_number ）获取第 3 列中的最高值（称为highest_prob ）。

2）对于每个获取的doc_number （应该和文档一样多），在第2列中获取相应的主题编号（称为topic_number ）。

3) 返回与我感兴趣的特定topic_number关联的doc_number列表。

我对 python 比较陌生，不知道如何继续，无论是使用 csv 包还是使用熊猫...

Answer 1

你可以先replace ,对. 在列probability并按astype转换为float 。 然后groupby柱document_number并获得index列的最大值的probability与idxmax 。 最后通过loc获取所有记录：

import pandas as pd

df = pd.DataFrame({'document_number': {0: 1, 1: 1, 2: 1, 3: 1, 4: 1, 5: 2, 6: 2, 7: 2, 8: 2, 9: 2, 10: 2}, 
                   'probability': {0: '0,113', 1: '0,2', 2: '0,156', 3: '0,065', 4: '0,463', 5: '0,44', 6: '0,207', 7: '0,103', 8: '0,126', 9: '0,015', 10: '0,106'}, 
                   'topic_number': {0: 1, 1: 4, 2: 7, 3: 17, 4: 18, 5: 1, 6: 6, 7: 14, 8: 16, 9: 17, 10: 18}}, 
                    columns = ['document_number','topic_number','probability'])

print (df)
    document_number  topic_number probability
0                 1             1       0,113
1                 1             4         0,2
2                 1             7       0,156
3                 1            17       0,065
4                 1            18       0,463
5                 2             1        0,44
6                 2             6       0,207
7                 2            14       0,103
8                 2            16       0,126
9                 2            17       0,015
10                2            18       0,106

df['probability'] = df.probability.str.replace(',','.').astype(float)

print (df.groupby('document_number')['probability'].idxmax())
1    4
2    5
Name: probability, dtype: int64

print (df.loc[df.groupby('document_number')['probability'].idxmax()])
   document_number  topic_number  probability
4                1            18        0.463
5                2             1        0.440

最后set_index从列document_number转换为to_dict列topic_number ：

print (df.loc[df.groupby('document_number')['probability'].idxmax()]
         .set_index('document_number')['topic_number'])

document_number
1    18
2     1
Name: topic_number, dtype: int64

print (df.loc[df.groupby('document_number')['probability'].idxmax()]
         .set_index('document_number')['topic_number'].to_dict())
{1: 18, 2: 1}

另一种解决方案第一sort_values通过柱probability ，然后groupby与聚合first ：

print (df.sort_values(by="probability", ascending=False)
         .groupby('document_number', as_index=False)
         .first())

   document_number  topic_number  probability
0                1            18        0.463
1                2             1        0.440

print (df.sort_values(by="probability", ascending=False)
         .groupby('document_number', as_index=False)
         .first().set_index('document_number')['topic_number'])

document_number
1    18
2     1
Name: topic_number, dtype: int64

print (df.sort_values(by="probability", ascending=False)
         .groupby('document_number', as_index=False)
         .first().set_index('document_number')['topic_number'].to_dict())
{1: 18, 2: 1}