python panda: Hapus duplikat dengan kolom A, pertahankan baris dengan nilai tertinggi di kolom B

Saya memiliki kerangka data dengan nilai berulang di kolom A. Saya ingin menjatuhkan duplikat, menjaga baris dengan nilai tertinggi di kolom B.

Jadi ini:

A B
1 10
1 20
2 30
2 40
3 10

Harus berubah menjadi ini:

A B
1 20
2 40
3 10

Wes telah menambahkan beberapa fungsionalitas yang bagus untuk menjatuhkan duplikat: http://wesmckinney.com/blog/?p=340 . Tapi AFAICT, ini dirancang untuk duplikat yang tepat, jadi tidak disebutkan kriteria untuk memilih baris mana yang disimpan.

Saya menduga mungkin ada cara mudah untuk melakukan ini --- mungkin semudah mengurutkan dataframe sebelum menjatuhkan duplikat --- tapi saya tidak tahu logika internal groupby cukup baik untuk mengetahuinya. Ada saran?

Ini yang terakhir. Tidak maksimal:

In [10]: df.drop_duplicates(subset='A', keep="last")
Out[10]: 
   A   B
1  1  20
3  2  40
4  3  10

Anda juga dapat melakukan sesuatu seperti:

In [12]: df.groupby('A', group_keys=False).apply(lambda x: x.loc[x.B.idxmax()])
Out[12]: 
   A   B
A       
1  1  20
2  2  40
3  3  10

Jawaban teratas adalah melakukan terlalu banyak pekerjaan dan terlihat sangat lambat untuk set data yang lebih besar. applylambat dan harus dihindari jika memungkinkan. ixsudah usang dan harus dihindari juga.

df.sort_values('B', ascending=False).drop_duplicates('A').sort_index()

   A   B
1  1  20
3  2  40
4  3  10

Atau cukup kelompokkan dengan semua kolom lain dan ambil maks kolom yang Anda butuhkan. df.groupby('A', as_index=False).max()

Solusi paling sederhana:

Untuk menjatuhkan duplikat berdasarkan satu kolom:

df = df.drop_duplicates('column_name', keep='last')

Untuk menjatuhkan duplikat berdasarkan beberapa kolom:

df = df.drop_duplicates(['col_name1','col_name2','col_name3'], keep='last')

Coba ini:

df.groupby(['A']).max()

Saya akan mengurutkan dataframe pertama dengan Kolom B turun, kemudian drop duplikat untuk Kolom A dan pertahankan terlebih dahulu

df = df.sort_values(by='B', ascending=False)
df = df.drop_duplicates(subset='A', keep="first")

tanpa groupby

Anda dapat mencoba ini juga

df.drop_duplicates(subset='A', keep='last')

Saya merujuk ini dari https://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.drop_duplicates.html

Saya pikir dalam kasus Anda, Anda tidak benar-benar membutuhkan grup. Saya akan menyortir dengan urutan menurun kolom B Anda, kemudian drop duplikat di kolom A dan jika Anda mau, Anda juga dapat memiliki indeks bagus dan bersih baru seperti itu:

df.sort_values('B', ascending=False).drop_duplicates('A').sort_index().reset_index(drop=True)

Berikut variasi yang harus saya pecahkan yang layak dibagikan: untuk setiap string unik di columnAsaya ingin menemukan string terkait yang paling umum columnB.

df.groupby('columnA').agg({'columnB': lambda x: x.mode().any()}).reset_index()

The .any()mengambil satu jika ada dasi untuk mode. (Perhatikan bahwa menggunakan .any()pada Seri ints mengembalikan boolean daripada memilih salah satunya.)

Untuk pertanyaan awal, pendekatan yang sesuai disederhanakan

df.groupby('columnA').columnB.agg('max').reset_index().

Ketika sudah diberikan tulisan, jawab pertanyaan itu, saya membuat perubahan kecil dengan menambahkan nama kolom tempat fungsi max () diterapkan untuk keterbacaan kode yang lebih baik.

df.groupby('A', as_index=False)['B'].max()

Cara termudah untuk melakukan ini:

# First you need to sort this DF as Column A as ascending and column B as descending 
# Then you can drop the duplicate values in A column 
# Optional - you can reset the index and get the nice data frame again
# I'm going to show you all in one step. 

d = {'A': [1,1,2,3,1,2,3,1], 'B': [30, 40,50,42,38,30,25,32]}
df = pd.DataFrame(data=d)
df

    A   B
0   1   30
1   1   40
2   2   50
3   3   42
4   1   38
5   2   30
6   3   25
7   1   32


df = df.sort_values(['A','B'], ascending =[True,False]).drop_duplicates(['A']).reset_index(drop=True)

df

    A   B
0   1   40
1   2   50
2   3   42

ini juga berfungsi:

a=pd.DataFrame({'A':a.groupby('A')['B'].max().index,'B':a.groupby('A')       ['B'].max().values})

Saya tidak akan memberikan Anda seluruh jawaban (saya tidak berpikir Anda sedang mencari bagian parsing dan menulis untuk mengajukan), tetapi petunjuk penting harus mencukupi: gunakan set()fungsi python , lalu sorted()atau .sort()ditambah dengan .reverse():

>>> a=sorted(set([10,60,30,10,50,20,60,50,60,10,30]))
>>> a
[10, 20, 30, 50, 60]
>>> a.reverse()
>>> a
[60, 50, 30, 20, 10]