执行 groupby 时保留其他列[重复]

问题描述：

我groupby在 pandas 数据框中使用删除所有不包含特定列最小值的行。如下所示：

df1 = df.groupby("item", as_index=False)["diff"].min()

但是，如果我有超过这两列，其他列（例如otherstuff在我的示例中）将被删除。我可以使用保留这些列吗groupby，还是我必须找到其他方法来删除行？

我的数据如下：

    item    diff   otherstuff
   0   1       2            1
   1   1       1            2
   2   1       3            7
   3   2      -1            0
   4   2       1            3
   5   2       4            9
   6   2      -6            2
   7   3       0            0
   8   3       2            9

最终结果应该是这样的：

    item   diff  otherstuff
   0   1      1           2
   1   2     -6           2
   2   3      0           0

但我得到的是：

    item   diff
   0   1      1           
   1   2     -6           
   2   3      0                 

我已经浏览了文档，但找不到任何东西。我尝试过：

df1 = df.groupby(["item", "otherstuff"], as_index=false)["diff"].min()

df1 = df.groupby("item", as_index=false)["diff"].min()["otherstuff"]

df1 = df.groupby("item", as_index=false)["otherstuff", "diff"].min()

但这些都不起作用。

解决方案 1：

方法 1：使用idxmin()获取最小元素的索引diff，然后选择这些元素：

>>> df.loc[df.groupby("item")["diff"].idxmin()]
   item  diff  otherstuff
1     1     1           2
6     2    -6           2
7     3     0           0

[3 rows x 3 columns]

方法 #2：按排序diff，然后取每组中的第一个元素item：

>>> df.sort_values("diff").groupby("item", as_index=False).first()
   item  diff  otherstuff
0     1     1           2
1     2    -6           2
2     3     0           0

[3 rows x 3 columns]

请注意，即使行内容相同，结果索引也不同。

解决方案 2：

您可以DataFrame.sort_values使用DataFrame.drop_duplicates：

df = df.sort_values(by='diff').drop_duplicates(subset='item')
print (df)
   item  diff  otherstuff
6     2    -6           2
7     3     0           0
1     1     1           2

如果可能的话，每个组有多个最小值，并且希望所有最小行都使用boolean indexing每个transform组的最小值：

print (df)
   item  diff  otherstuff
0     1     2           1
1     1     1           2 <-multiple min
2     1     1           7 <-multiple min
3     2    -1           0
4     2     1           3
5     2     4           9
6     2    -6           2
7     3     0           0
8     3     2           9

print (df.groupby("item")["diff"].transform('min'))
0    1
1    1
2    1
3   -6
4   -6
5   -6
6   -6
7    0
8    0
Name: diff, dtype: int64

df = df[df.groupby("item")["diff"].transform('min') == df['diff']]
print (df)
   item  diff  otherstuff
1     1     1           2
2     1     1           7
6     2    -6           2
7     3     0           0

解决方案 3：

如果有/您想要一个分钟，上述答案非常有效。在我的例子中，可能会有多个分钟，我希望所有行都等于分钟，但这.idxmin()并不会给你。这有效

def filter_group(dfg, col):
    return dfg[dfg[col] == dfg[col].min()]

df = pd.DataFrame({'g': ['a'] * 6 + ['b'] * 6, 'v1': (list(range(3)) + list(range(3))) * 2, 'v2': range(12)})
df.groupby('g',group_keys=False).apply(lambda x: filter_group(x,'v1'))

顺便说一句，.filter()也与这个问题相关，但对我来说不起作用。

解决方案 4：

我尝试了所有人的方法，但都无法正常工作。相反，我一步一步地完成了整个过程，最终得到了正确的结果。

df.sort_values(by='item', inplace=True, ignore_index=True)
df.drop_duplicates(subset='diff', inplace=True, ignore_index=True)
df.sort_values(by=['diff'], inplace=True, ignore_index=True)

进一步解释一下：

1. 按您想要的最小值对项目进行排序

2. 删除要排序的列的重复项

3. 对数据进行重新排序，因为数据仍然按最小值排序

解决方案 5：

如果您知道所有“项目”都有多个可以排序的记录，那么使用duplicated：

df.sort_values(by='diff').duplicated(subset='item', keep='first')