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列中具有最大值。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()其他吗?
drop_duplicates()
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Series中的最大值的a ,C但与的长度和索引相同df。如果您还没有使用过,.transform那么打印c_maxes可能是个好主意,以了解其工作原理。
c_maxes
Series
C
df
.transform
使用的另一种方法drop_duplicates是
drop_duplicates
df.sort('C').drop_duplicates(subset=['A', 'B'], take_last=True)
不确定哪种方法更有效,但是我猜第一种方法不涉及排序。
编辑: 从pandas 0.18第二个解决方案将是
pandas 0.18
df.sort_values('C').drop_duplicates(subset=['A', 'B'], keep='last')
或者,
df.sort_values('C', ascending=False).drop_duplicates(subset=['A', 'B'])
无论如何,该groupby解决方案的性能似乎都更高:
groupby
%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