python - tutorial - Los pandas obtienen los mejores n registros dentro de cada grupo

promedio pandas python

Question

Supongamos que tengo panda DataFrame así:

>>> df = pd.DataFrame({''id'':[1,1,1,2,2,2,2,3,4],''value'':[1,2,3,1,2,3,4,1,1]})
>>> df
   id  value
0   1      1
1   1      2
2   1      3
3   2      1
4   2      2
5   2      3
6   2      4
7   3      1
8   4      1

Quiero obtener un nuevo DataFrame con los 2 registros principales para cada ID, como este:

   id  value
0   1      1
1   1      2
3   2      1
4   2      2
7   3      1
8   4      1

Puedo hacerlo con registros de numeración dentro del grupo después del grupo de la siguiente manera:

>>> dfN = df.groupby(''id'').apply(lambda x:x[''value''].reset_index()).reset_index()
>>> dfN
   id  level_1  index  value
0   1        0      0      1
1   1        1      1      2
2   1        2      2      3
3   2        0      3      1
4   2        1      4      2
5   2        2      5      3
6   2        3      6      4
7   3        0      7      1
8   4        0      8      1
>>> dfN[dfN[''level_1''] <= 1][[''id'', ''value'']]
   id  value
0   1      1
1   1      2
3   2      1
4   2      2
7   3      1
8   4      1

¿Pero hay un enfoque más eficaz / elegante para hacer esto? Y también hay un enfoque más elegante para los registros de números dentro de cada grupo (como la función de ventana SQL row_number() ).

Answer 1

¿Has df.groupby(''id'').head(2)

Ouput generado:

>>> df.groupby(''id'').head(2)
       id  value
id             
1  0   1      1
   1   1      2 
2  3   2      1
   4   2      2
3  7   3      1
4  8   4      1

(Tenga en cuenta que es posible que deba ordenar / ordenar antes, según sus datos)

EDITAR: Como mencionó el interrogador, use df.groupby(''id'').head(2).reset_index(drop=True) para eliminar el multindex y aplanar los resultados.

>>> df.groupby(''id'').head(2).reset_index(drop=True)
    id  value
0   1      1
1   1      2
2   2      1
3   2      2
4   3      1
5   4      1

Answer 2

Desde 0.14.1 , ahora puede hacer nlargest y nsmallest en un objeto groupby :

In [23]: df.groupby(''id'')[''value''].nlargest(2)
Out[23]: 
id   
1   2    3
    1    2
2   6    4
    5    3
3   7    1
4   8    1
dtype: int64

Hay una ligera rareza en la que también obtienes el índice original, pero esto podría ser realmente útil según tu índice original.

Si no le interesa, puede hacer .reset_index(level=1, drop=True) para deshacerse de él por completo.

(Nota: desde 0.17.1 también podrá hacer esto en un DataFrameGroupBy, pero por ahora solo funciona con Series y SeriesGroupBy ).