如何根据另一列的值从数据框中返回唯一对？

Question

我有一个数据框，如下所示：

Date        A   B   Number
2017-01-01  a   b   0.9240
2017-01-01  b   c   0.9101
2017-01-01  d   e   0.8761
2017-01-01  c   g   0.9762
2017-01-02  b   c   0.5637
2017-01-02  c   d   0.9643

我想每天在A和B中都有一个唯一值的数据框，具体取决于数字列中的数字。 我认为逻辑将按以下顺序进行：

1. 按日期分组数据框
2. 将A列中的每个值与B列中的每个值进行比较，以检查是否存在类似的值。
3. 对于所有匹配的值，比较“数字”列并找到两个值中的最大值。
4. 返回具有唯一值的新数据框。

例如，从上面的数据框中看，由于2017年1月1日A列和B列中有一个'b'，因此我想比较0.9240和0.9101并返回0.9240的行，因为它高于0.9101。

最终产品应如下所示：

Date        A   B   Number
2017-01-01  a   b   0.9240
2017-01-01  d   e   0.8761
2017-01-01  c   g   0.9762
2017-01-02  c   d   0.9643

Answer 1

这很复杂，但是绝对有可能做到。

首先让我们确保数据的格式正确：

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 6 entries, 0 to 5
Data columns (total 4 columns):
Date      6 non-null datetime64[ns]
A         6 non-null object
B         6 non-null object
Number    6 non-null float64
dtypes: datetime64[ns](1), float64(1), object(2)
memory usage: 272.0+ bytes

请注意，“ Date列的类型为datetime64 。 这是必需的，因为将这些值用作时间戳允许使用熊猫resample方法每天对数据进行分组。

重新采样数据后，可以应用自定义方法extract 。 此方法将一组作为数据帧并应用逻辑。 通过使用pivot_table方法，可以更轻松地找到A列和B列之间的交点。我不确定这是否是最有效的方法，但是如果数据集不是太大，它应该足够快地工作。

完整的代码如下所示：

def extract(df):
    dfs = []
    pt = df.reset_index().pivot_table('Number', columns=['A', 'B'], index='Date')

    # find any intersection of values between col A and B
    intersection = set(pt.columns.levels[0].values)\
        .intersection(set(pt.columns.levels[1].values))
    # iterate over all intersections to compare their values 
    # and choose the largest one
    for value in intersection:
        mask = (df['A'] == value) | (df['B'] == value)
        df_intersection = df[mask]\
            .sort_values('Number', ascending=False)
        dfs.append(df_intersection.ix[[0]])

    # find all rows that do not contain any intersections
    df_rest = df[(~df['A'].isin(list(intersection))) &\
                 (~df['B'].isin(list(intersection)))]
    if (len(df_rest) > 0):
        dfs.append(df_rest)

    return pd.concat(dfs)

df.set_index('Date')\
    .resample('d')\
    .apply(extract)\
    .reset_index(level=1, drop=True)

此代码导致：

            A  B  Number
Date                    
2017-01-01  a  b  0.9240
2017-01-01  c  g  0.9762
2017-01-01  d  e  0.8761
2017-01-02  c  d  0.9643

---

上面的代码基于给定的数据集：

import pandas as pd
from io import StringIO

data = StringIO("""\
Date        A   B   Number
2017-01-01  a   b   0.9240
2017-01-01  b   c   0.9101
2017-01-01  d   e   0.8761
2017-01-01  c   g   0.9762
2017-01-02  b   c   0.5637
2017-01-02  c   d   0.9643
""")
df = pd.read_csv(data, sep='\s+', parse_dates=[0])