我有一个熊猫数据框,其中包含根据两列(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
我想删除重复项,使行在C列中保持最大值。这将导致:
A B C
1 2 4
2 7 1
3 4 8
我不知道该怎么做。我应该使用drop_duplicates()
,还是其他名称?
您可以使用分组依据:
c_maxes = df.groupby(['A', 'B']).C.transform(max)
df = df.loc[df.C == c_maxes]
c_maxes
是每个组中Series
的最大值的C
,但与df
具有相同的长度和相同的索引。如果您没有使用.transform
,那么打印c_maxes
可能是一个好主意,以了解其工作原理。
使用drop_duplicates
的另一种方法是
df.sort('C').drop_duplicates(subset=['A', 'B'], take_last=True)
[不确定哪种方法更有效,但我猜第一种方法不涉及排序。
编辑:从pandas 0.18
到第二个解将是
df.sort_values('C').drop_duplicates(subset=['A', 'B'], keep='last')
或替代地,
df.sort_values('C', ascending=False).drop_duplicates(subset=['A', 'B'])
无论如何,groupby
解决方案的表现似乎要好得多:
%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
您可以简单地通过使用熊猫掉落重复项功能来做到这一点
df.drop_duplicates(['A','B'],keep= 'last')
我认为groupby应该起作用。
df.groupby(['A', 'B']).max()['C']
如果需要返回数据框,则可以链接重置索引调用。
df.groupby(['A', 'B']).max()['C'].reset_index()
您可以根据需要使用drop_duplicates
完成此操作
# 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"])
如果重要的是要获得相同的订单
d = d.sort_index()