Pandas GroupBy 并选择特定列中具有最小值的行-IT科技

Pandas GroupBy 并选择特定列中具有最小值的行

2025-02-08 08:52:00

admin

原创

摘要：问题描述：我有一个包含 A、B 和 C 列的 DataFrame。对于 A 的每个值，我想选择 B 列中值最小的行。也就是说：df = pd.DataFrame({'A': [1, 1, 1, 2, 2, 2], 'B': [4, 5, 2, 7, 4, 6], ...

问题描述：

我有一个包含 A、B 和 C 列的 DataFrame。对于 A 的每个值，我想选择 B 列中值最小的行。

也就是说：

df = pd.DataFrame({'A': [1, 1, 1, 2, 2, 2],
                   'B': [4, 5, 2, 7, 4, 6],
                   'C': [3, 4, 10, 2, 4, 6]})      
    A   B   C
0   1   4   3
1   1   5   4
2   1   2   10
3   2   7   2
4   2   4   4
5   2   6   6

我想要得到：

    A   B   C
0   1   2   10
1   2   4   4

目前，我按 A 列分组，然后创建一个值来指示我将保留的行：

a = data.groupby('A').min()
a['A'] = a.index
to_keep = [str(x[0]) + str(x[1]) for x in a[['A', 'B']].values]
data['id'] = data['A'].astype(str) + data['B'].astype('str')
data[data['id'].isin(to_keep)]

我确信有更直接的方法可以做到这一点。我在这里看到很多使用 MultiIndex 的答案，我宁愿避免这样做。

感谢您的帮助。

解决方案 1：

我觉得你想太多了。只需使用groupbyand idxmin：

df.loc[df.groupby('A').B.idxmin()]

   A  B   C
2  1  2  10
4  2  4   4

df.loc[df.groupby('A').B.idxmin()].reset_index(drop=True)

   A  B   C
0  1  2  10
1  2  4   4

解决方案 2：

有过类似的情况，但列标题更复杂（例如“B val”），在这种情况下需要这样做：

df.loc[df.groupby('A')['B val'].idxmin()]

解决方案 3：

您sort_values可以drop_duplicates：

df.sort_values('B').drop_duplicates('A')

输出：

   A  B   C
2  1  2  10
4  2  4   4

解决方案 4：

接受的答案(建议idxmin)不能与管道模式一起使用。管道友好的替代方法是先对值进行排序，然后groupby使用DataFrame.head：

data.sort_values('B').groupby('A').apply(DataFrame.head, n=1)

这是可能的，因为默认情况下groupby 保留每个组内的行顺序，这是稳定且有记录的行为（参见pandas.DataFrame.groupby）。

这种方法还有其他好处：

可以轻松扩展以选择特定列中具有最小值的n行
它可以通过提供另一列（作为列表）来打破平局.sort_values()，例如：

data.sort_values(['final_score', 'midterm_score']).groupby('year').apply(DataFrame.head, n=1)

与其他答案一样，需要完全匹配问题所需的结果.reset_index(drop=True)，从而制作最后的片段：

df.sort_values('B').groupby('A').apply(DataFrame.head, n=1).reset_index(drop=True)

解决方案 5：

我发现答案有点冗长，但效率更高：

这是示例数据集：

data = pd.DataFrame({'A': [1,1,1,2,2,2], 'B':[4,5,2,7,4,6], 'C':[3,4,10,2,4,6]})
data

Out:
   A  B   C
0  1  4   3
1  1  5   4
2  1  2  10
3  2  7   2
4  2  4   4
5  2  6   6

首先，我们将通过 groupby 操作获取 Series 上的最小值：

min_value = data.groupby('A').B.min()
min_value

Out:
A
1    2
2    4
Name: B, dtype: int64

然后，我们将该系列结果合并到原始数据框中

data = data.merge(min_value, on='A',suffixes=('', '_min'))
data

Out:
   A  B   C  B_min
0  1  4   3      2
1  1  5   4      2
2  1  2  10      2
3  2  7   2      4
4  2  4   4      4
5  2  6   6      4

最后，我们只得到 B 等于 B_min 的行并删除 B_min，因为我们不再需要它了。

data = data[data.B==data.B_min].drop('B_min', axis=1)
data

Out:
   A  B   C
2  1  2  10
4  2  4   4

我已经在非常大的数据集上对其进行了测试，这是我能使其在合理时间内完成工作的唯一方法。

解决方案 6：

解决方案是，如前所述；

df.loc[df.groupby('A')['B'].idxmin()]

如果解决方案但是如果您收到错误；

"Passing list-likes to .loc or [] with any missing labels is no longer supported.
The following labels were missing: Float64Index([nan], dtype='float64').
See https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#deprecate-loc-reindex-listlike"

就我而言，B 列中有“NaN”值。因此，我使用了“dropna()”，然后它就起作用了。

df.loc[df.groupby('A')['B'].idxmin().dropna()]

解决方案 7：

您还可以对列为B最小值的行进行布尔索引

out = df[df['B'] == df.groupby('A')['B'].transform('min')]

print(out)

   A  B   C
2  1  2  10
4  2  4   4