Pandas - 有条件的去重

Question

我有一个Python 3.6x的Pandas 0.19.2数据框如下。我想要根据条件逻辑，使用相同的Id来执行drop_duplicates()。

import pandas as pd
import numpy as np
np.random.seed(1)
df = pd.DataFrame({'Id':[1,2,3,4,3,2,6,7,1,8],
              'Name':['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'K'],
              'Size':np.random.rand(10),
              'Age':[19, 25, 22, 31, 43, 23, 44, 20, 51, 31]})

如果可能向量化，基于我下面描述的逻辑，最有效的方法是什么？

1）在删除重复项之前，将重复的Id条目的Size求和。

2）删除相同Id记录的重复项，保留具有较大Age的记录。

期望的输出为：

   Age  Id Name      Size
1   25   2    B  0.812662
3   31   4    D  0.302333
4   43   3    E  0.146870
6   44   6    G  0.186260
7   20   7    H  0.345561
8   51   1    I  0.813790
9   31   8    K  0.538817

- Zhubarb

Answer 1

使用GroupBy.transform进行聚合，生成与原始DataFrame相同大小的值，并使用sort_values和drop_duplicates移除重复项：

df['Size'] = df.groupby('Id')['Size'].transform('sum')
df = df.sort_values('Age').drop_duplicates('Id', keep='last').sort_index()
print (df)
   Id Name      Size  Age
1   2    B  0.812663   25
3   4    D  0.302333   31
4   3    E  0.146870   43
6   6    G  0.186260   44
7   7    H  0.345561   20
8   1    I  0.813789   51
9   8    K  0.538817   31

- jezrael

---

非常好，谢谢。我之前尝试使用 df.groupby('Id').apply(sum)，但很明显这并没有给我原始的 df 索引。按年龄排序并保留最后一个是有道理的。 - Zhubarb