问题：
根据数据某列进行分组，选择其中另一列大小top-K的的所在行数据
解析：
求解思路很清晰，即先用groupby对数据进行分组，然后再根据分组后的某一列进行排序，选择排序结果后的top-K结果
案例：
取一下dataframe中B列各对象中C值最高所在的行
|
1
|
df = pd.DataFrame({"A": [2, 3, 5, 4], "B": ['a', 'b', 'b', 'a'], "C": [200801, 200902, 200704, 201003]}) |
Groupby的基本功能介绍
groupby以后返回DataFrameGroupBy对象，实际上还没有进行任何计算，只是一个暂时存储的容器，
|
1
2
|
[In]df.groupby('B')[Out]<pandas.core.groupby.DataFrameGroupBy object at 0x11800f588> |
对groupby结果进行简单的列选取返回的也是DataFrameGroupBy/SeriesGroupBy对象，无法可视化
|
1
2
3
4
5
|
[In]df.groupby('B')['A'] # 返回SeriesGroupBy对象[Out]<pandas.core.groupby.SeriesGroupBy object at 0x117f6b630>[In]df.groupby('B')['A','C'] # 返回DataFrameGroupBy对象[Out]<pandas.core.groupby.DataFrameGroupBy object at 0x117fb84e0> |
需要对DataFrameGroupBy进行计数、统计、agg聚合计算、apply映射计算和transform等操作，才能生成可视化的数据(下文仅以count和size函数为例展示，不涉及其它的操作)
|
1
2
3
4
5
6
7
8
9
|
[In] df.groupby('B', as_index=False)['A'].count() # 组内数据统计[Out] B A 0 a 2 1 b 2[In] df.groupby('B')['A'].size().reset_index(name='Size') # 组内数据统计，size和count的一个显著区别在于count不考虑Nan，size考虑Nan[Out] B Size 0 a 2 1 b 2 |
解决方案一：
对DataFrameGroupBy对象，用apply函数进行某列的sort_values排序，再选出其中的最大值所在行
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
|
# 返回值是一个带有multiindex的dataframe数据，其中level=0为groupby的by列，而level=1为原index[In] df.groupby('B').apply(lambda x: x.sort_values('C', ascending=False))[Out] A B CB a 3 4 a 201003 0 2 a 200801b 1 3 b 200902 2 5 b 200704# 通过设置group_keys参数对multiindex进行优化[In] df.groupby('B', group_keys=False).apply(lambda x: x.sort_values('C', ascending=False))[Out] A B C 3 4 a 201003 0 2 a 200801 1 3 b 200902 2 5 b 200704# 再次groupby，并调用内置的first()方法，取最大值[In] df.groupby('B', group_keys=False).apply(lambda x: x.sort_values('C', ascending=False)).groupby('B').first().reset_index()[Out] B A C 0 a 4 201003 1 b 3 200902 |
解决方案二：
先对B进行整体的sort_values，在groupy取值
|
1
2
3
4
|
[In] df.sort_values('C', ascending=False).groupby('B').first().reset_index()[Out] B A C 0 a 4 201003 1 b 3 200902 |
问题拓展：
以上仅解决了Top-1的问题，如果是Top-k呢？
答案：将first()函数变为head()函数
|
1
2
3
4
5
6
|
[In] df.sort_values('C', ascending=False).groupby('B').head(2)[Out] A B C 3 4 a 201003 1 3 b 200902 0 2 a 200801 2 5 b 200704 |
总结：
1、方案二，即先排序再groupby取值更方便
2、pandas中API众多，在实际使用时要捋清各步骤返回值的类型以方便记忆和联想
补充：pandas分组groupby、agg，排序sort，连接concat、join
连接concat和join
横向连接
|
1
2
3
4
|
pd.concat([df6,df7],axis=1)df6.join(df7)# df6的表格在前面，如需df7的表格在前需要交换位置 |
注意点：
1、concat这个方法，既可以实现横向连接，也可以实现纵向连接，通过设置axis的值来控制，axis=1表示的是横向连接，如果多个连接的对象，放在列表中
2、join也可以实现
纵向连接
|
1
|
pd.concat([df8,df9],ignore_index=True) |
注意点：
1、进行纵向合并的数据，需要用[]集合起来
2、ignore_index忽略原有的行索引，重新排列
3、drop_duplicates()删除重复数据
排序
|
1
2
3
4
5
6
|
#按照成绩排序df10.sort_values('score')#默认升序，从小到大df10.sort_values(['score','group'],ascending=False,na_position='first')#sort各个属性 |
| 参数 | 描述 |
|---|---|
| by | 字符串或者列表，如果是单个排序字段，使用的是字符串，如果指定多个，需要使用列表 |
| ascending | True的时候，是按照升序，默认是升序 |
| na_position | 表示的是空值的位置，'last'是默认的，'first'开始位置 |
分组
|
1
2
3
4
5
6
7
|
### groupbydf11.groupby('class')df11.groupby(['class','grade'])for cls,data in df11.groupby(['class','grade']):print(cls)print(data) |
注意点：
1、groupby 如果指定的是一个列，如果是多个列[]
2、groupby返回的是一个对象，所以不能直接访问，可以使用for
筛选出分组之后的列
如果筛选出一列数据[[列名]]，返回的是dataframe对象
如果筛选出多个列数据，直接使用[]和[[]]均可
总结[[列1，列2，。。。。]]
聚合函数 agg配合使用
|
1
|
dff.groupby('class')[['math']].agg(['mean','max','min','median','std']) |
| 函数 | 描述 |
|---|---|
| mean | 均值 |
| max | 最大值 |
| min | 最小值 |
| median | 中位数 |
| std | 标准差 |
| count | 计数 |
| skew | 偏度 |
| quantile | 指定分位数 |
以上为个人经验，希望能给大家一个参考，也希望大家多多支持服务器之家。如有错误或未考虑完全的地方，望不吝赐教。
原文链接：https://blog.csdn.net/guofei_fly/article/details/93844612
