使用python datatable按组排名前N行

Question

在python datatable中按组查询前N行的正确方法是什么？ 例如，为了获得v3组具有最大id2, id4值的前2行，我将通过以下方式进行pandas表达：

df.sort_values('v3', ascending=False).groupby(['id2','id4']).head(2)

在R中使用data.table：

DT[order(-v3), head(v3, 2L), by=.(id2, id4)]

或者在R中使用dplyr：

DF %>% arrange(desc(v3)) %>% group_by(id2, id4) %>% filter(row_number() <= 2L)

使用pandas的示例数据和预期输出：

import datatable as dt
dt = dt.Frame(id2=[1, 2, 1, 2, 1, 2], id4=[1, 1, 1, 1, 1, 1], v3=[1, 3, 2, 3, 3, 3])
df = dt.to_pandas()
df.sort_values('v3', ascending=False).groupby(['id2','id4']).head(2)
#   id2  id4  v3
#1    2    1   3
#3    2    1   3
#4    1    1   3
#2    1    1   2

Answer 1

从datatable版本0.8.0开始，这可以通过组合分组，排序和过滤来实现：

from datatable import *
DT = Frame(id2=[1, 2, 1, 2, 1, 2], 
           id4=[1, 1, 1, 1, 1, 1], 
           v3=[1, 3, 2, 3, 3, 3])

DT[:2, :, by(f.id2, f.id4), sort(-f.v3)]

哪个产生

     id2  id4  v3
---  ---  ---  --
 0     1    1   3
 1     1    1   2
 2     2    1   3
 3     2    1   3

[4 rows x 3 columns]

说明：

• by(f.id2, f.id4)按列“id2”和“id4”对数据进行分组;
• sort(-f.v3)命令告诉datatable按列“v3”按降序对记录进行排序。在by()存在的情况下，该运营商将在每个组内应用;
• 第一个:2选择前两行，再次在每个组内;
• 第二个:选择所有列。如果需要，这可能是列或表达式的列表，允许您对每个组的前2行执行一些操作。