根据 A、B 两列删除数据框中的重复项，将最大值的行保留在另一列 C 中

问题描述：

我有一个 pandas 数据框，其中包含两列（A 和 B）的重复值：

A B C
1 2 1
1 2 4
2 7 1
3 4 0
3 4 8

我想删除重复项，保留 C 列中具有最大值的行。这将导致：

A B C
1 2 4
2 7 1
3 4 8

我不知道该怎么做。我应该用drop_duplicates()还是其他什么？

解决方案 1：

您可以使用 group by 来完成：

c_maxes = df.groupby(['A', 'B']).C.transform(max)
df = df.loc[df.C == c_maxes]

c_maxes是每个组中Series最大值之一C，但其长度和索引与 相同df。如果您还没有使用过，.transform那么打印出来c_maxes看看它是如何工作的可能是个好主意。

另一种方法drop_duplicates是

df.sort('C').drop_duplicates(subset=['A', 'B'], take_last=True)

不确定哪种方法更有效，但我猜是第一种方法，因为它不涉及排序。

编辑：
从pandas 0.18上面来看，第二个解决方案是

df.sort_values('C').drop_duplicates(subset=['A', 'B'], keep='last')

或者，

df.sort_values('C', ascending=False).drop_duplicates(subset=['A', 'B'])

无论如何，该groupby解决方案似乎效果更佳：

%timeit -n 10 df.loc[df.groupby(['A', 'B']).C.max == df.C]
10 loops, best of 3: 25.7 ms per loop

%timeit -n 10 df.sort_values('C').drop_duplicates(subset=['A', 'B'], keep='last')
10 loops, best of 3: 101 ms per loop

解决方案 2：

我认为 groupby 应该可以工作。

df.groupby(['A', 'B']).max()['C']

如果您需要返回数据框，您可以链接重置索引调用。

df.groupby(['A', 'B']).max()['C'].reset_index()

解决方案 3：

drop_duplicates你可以按照自己想要的方式去做

# initialisation
d = pd.DataFrame({'A' : [1,1,2,3,3], 'B' : [2,2,7,4,4],  'C' : [1,4,1,0,8]})

d = d.sort_values("C", ascending=False)
d = d.drop_duplicates(["A","B"])

如果获得相同的订单很重要

d = d.sort_index()