根据两列过滤一个 pandas dataframe

Question

我正在尝试基于两列过滤 pandas dataframe ，以便对于第 1 列中的每个值，只剩下第 2 列是最小值的那些行。 我知道这听起来很混乱，所以这里有一个例子：

> df = pd.DataFrame([{'a':'anno1', 'ppm':1},{'a':'anno1', 'ppm':2},{'a':'anno2', 'ppm':2},{'a':'anno2', 'ppm':2}])

> df
       a  ppm
0  anno1    1
1  anno1    2
2  anno2    2
3  anno2    2

我想要第 0,2 和 3 行，因为对于anno1 ，最小ppm是1 ，对于anno2 ，最小ppm是2 （保留两行。）。 所以我从groupby开始：

> grouped_series = df.groupby(['a']).ppm.min()
> grouped_series
a
anno1    1
anno2    2

现在我a最小ppm中的每个值。 但是怎么用这个系列过滤掉原来的dataframe呢？ 或者有没有更简单的方法来做到这一点？ 我尝试了几种变体：

new_df = df.loc[ df.loc[:,'ppm']==grouped_series.loc[df.loc[:,'a']] , :]

但这给了我一个ValueError: Can only compare identically-labeled Series objects

Answer 1

使用GroupBy.transform将最小值与具有相同大小的Series （如df ）进行比较，因此比较工作得很好，也用于过滤boolean indexing中的loc索引不需要：

new_df = df[df['ppm'] == df.groupby('a').ppm.transform('min')]
print (new_df)
       a  ppm
0  anno1    1
2  anno2    2
3  anno2    2

Answer 2

如果您不介意重置原始索引，这是一种替代方法：

df.merge(df.groupby(['a'])['ppm'].min().reset_index(), how='inner')

Output：

    a   ppm
0   anno1   1
1   anno2   2
2   anno2   2