进行groupby时保留其他列

Question

我在 pandas 数据帧上使用

groupby

来删除不具有特定列最小值的所有行。像这样的东西：

df1 = df.groupby("item", as_index=False)["diff"].min()

但是，如果我有不止这两列，其他列（例如我的示例中的

otherstuff

）就会被删除。我可以使用

groupby

保留这些列，还是我必须找到一种不同的方式来删除行？

我的数据如下：

    item    diff   otherstuff
   0   1       2            1
   1   1       1            2
   2   1       3            7
   3   2      -1            0
   4   2       1            3
   5   2       4            9
   6   2      -6            2
   7   3       0            0
   8   3       2            9

最终应该是这样的：

    item   diff  otherstuff
   0   1      1           2
   1   2     -6           2
   2   3      0           0

但我得到的是：

    item   diff
   0   1      1           
   1   2     -6           
   2   3      0                 

我一直在查看文档，但找不到任何内容。我试过：

df1 = df.groupby(["item", "otherstuff"], as_index=false)["diff"].min()

df1 = df.groupby("item", as_index=false)["diff"].min()["otherstuff"]

df1 = df.groupby("item", as_index=false)["otherstuff", "diff"].min()

但这些都不起作用。

Answer 1

方法#1：使用

idxmin()

获取最小 diff 的元素的

indices

，然后选择这些：

>>> df.loc[df.groupby("item")["diff"].idxmin()]
   item  diff  otherstuff
1     1     1           2
6     2    -6           2
7     3     0           0

[3 rows x 3 columns]

方法#2：按

diff

排序，然后取出每个

item

组中的第一个元素：

>>> df.sort_values("diff").groupby("item", as_index=False).first()
   item  diff  otherstuff
0     1     1           2
1     2    -6           2
2     3     0           0

[3 rows x 3 columns]

请注意，即使行内容相同，结果索引也是不同的。

Answer 2

您可以将

DataFrame.sort_values

与

DataFrame.drop_duplicates

一起使用:

df = df.sort_values(by='diff').drop_duplicates(subset='item')
print (df)
   item  diff  otherstuff
6     2    -6           2
7     3     0           0
1     1     1           2

如果可能每组有多个最小值并希望所有最小行使用

boolean indexing

和

transform

作为每组最小值：

print (df)
   item  diff  otherstuff
0     1     2           1
1     1     1           2 <-multiple min
2     1     1           7 <-multiple min
3     2    -1           0
4     2     1           3
5     2     4           9
6     2    -6           2
7     3     0           0
8     3     2           9

print (df.groupby("item")["diff"].transform('min'))
0    1
1    1
2    1
3   -6
4   -6
5   -6
6   -6
7    0
8    0
Name: diff, dtype: int64

df = df[df.groupby("item")["diff"].transform('min') == df['diff']]
print (df)
   item  diff  otherstuff
1     1     1           2
2     1     1           7
6     2    -6           2
7     3     0           0

Answer 3

如果有/你想要一分钟，上面的答案非常有效。就我而言，可能有多个分钟，我希望所有行都等于分钟，而

.idxmin()

并没有给你。这有效

def filter_group(dfg, col):
    return dfg[dfg[col] == dfg[col].min()]

df = pd.DataFrame({'g': ['a'] * 6 + ['b'] * 6, 'v1': (list(range(3)) + list(range(3))) * 2, 'v2': range(12)})
df.groupby('g',group_keys=False).apply(lambda x: filter_group(x,'v1'))

顺便说一句，.filter()也与这个问题相关，但对我不起作用。

Answer 4

大家的方法我都试过了，还是无法正常工作。相反，我一步步完成了这个过程，最终得到了正确的结果。

df.sort_values(by='item', inplace=True, ignore_index=True)
df.drop_duplicates(subset='diff', inplace=True, ignore_index=True)
df.sort_values(by=['diff'], inplace=True, ignore_index=True)

更多解释：

1. 按您想要的最小值对项目进行排序
2. 删除要排序的列的重复项
3. 对数据进行排序，因为数据仍然按最小值排序

Answer 5

如果您知道所有“项目”都有多个可以排序的记录，请使用

duplicated

:

df.sort_values(by='diff').duplicated(subset='item', keep='first')