我有一个pandas数据框,其中包含根据两个列(A和B)重复的值:
A B C
1 2 1
1 2 4
2 7 1
3 4 0
3 4 8
我希望删除重复项,保留具有最大C列值的行。这将导致:
A B C
1 2 4
2 7 1
3 4 8
我无法弄清楚如何做到这一点。我应该使用 drop_duplicates()
,还是其他方法?
我有一个pandas数据框,其中包含根据两个列(A和B)重复的值:
A B C
1 2 1
1 2 4
2 7 1
3 4 0
3 4 8
我希望删除重复项,保留具有最大C列值的行。这将导致:
A B C
1 2 4
2 7 1
3 4 8
我无法弄清楚如何做到这一点。我应该使用 drop_duplicates()
,还是其他方法?
你可以使用 group by 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C
的最大值的Series
,但其长度和索引与df
相同。如果您还没有使用.transform
,则打印c_maxes
可能是一个好主意,以了解其工作原理。
另一种方法是使用drop_duplicates
df.sort('C').drop_duplicates(subset=['A', 'B'], take_last=True)
我不确定哪种方法更有效,但我猜第一种方法更好,因为它不涉及排序。
编辑:从pandas 0.18
开始,第二种解决方案将是
df.sort_values('C').drop_duplicates(subset=['A', 'B'], keep='last')
或者,作为替代方案,
df.sort_values('C', ascending=False).drop_duplicates(subset=['A', 'B'])
无论如何,groupby
解决方案似乎更具有显著性能:
%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
你可以通过使用pandas的去重函数来轻松完成这个操作
df.drop_duplicates(['A','B'],keep= 'last')
df.drop_duplicates
,但排除前3列和最后一列?但我的数据框每次大小都会改变(基本上我在使用它以最容易导出到csv的方式存储数据),因此我并不总是知道最后一列的索引。 - nos codemos我认为groupby应该可以工作。
df.groupby(['A', 'B']).max()['C']
如果您需要返回一个dataframe, 您可以链接reset index调用。
df.groupby(['A', 'B']).max()['C'].reset_index()
df.groupby(['A', 'B']).max()['C'].reset_index()
返回了 OP 期望的输出。 - b10ndrop_duplicates
来实现您想要的功能。# 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"])
d = d.sort_index()
df.sort_values('C', ascending=False).drop_duplicates(subset=['A', 'B'], inplace=True)
- PV8inplace
,因为它不会产生预期的结果,仍然需要赋值,因为没有进行任何原地操作。最好明确执行操作以避免意外。 - รยקคгรђשคdrop_duplicates
的答案 https://dev59.com/g2Ag5IYBdhLWcg3wYaC6 - PV8take_last=True
不起作用,请按照文档使用keep='last'
替代:https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.drop_duplicates.html - M Hinplace
,你需要分两个阶段进行,首先传递给sort_values
,然后传递给drop_duplicates
,因为当inplace=True
时两者都返回None
。但是,问题中没有任何提示表明我们要在这里使用inplace
,这样做会导致数据丢失。你的代码将返回None
,并且也不会影响df
,因为.sort_values
返回一个视图或副本。 - JoeCondron