时间戳

首页 > 解决方案 > Python Pandas：按一列分组，仅在另一列中聚合，但取相应数据

python-3.x - Python Pandas：按一列分组，仅在另一列中聚合，但取相应数据

问题描述

我已经看到了许多其他相关的 SO 问题，例如this和this，但它们似乎并不是我想要的。假设我有一个这样的数据框：

import pandas as pd
df = pd.DataFrame(columns=['patient', 'parent csn', 'child csn', 'days'])
df.loc[0] = [0, 0, 10, 5]
df.loc[1] = [0, 0, 11, 3]
df.loc[2] = [0, 1, 12, 6]
df.loc[3] = [0, 1, 13, 4]
df.loc[4] = [1, 2, 20, 4]
df
Out[9]: 
  patient parent csn child csn days
0       0          0        10    5
1       0          0        11    3
2       0          1        12    6
3       0          1        13    4
4       1          2        20    4

现在我想做的是这样的：

grp_df = df.groupby(['parent csn']).min()

问题是结果计算所有列（不是parent csn）的最小值，这会产生：

grp_df
            patient  child csn  days
parent csn                          
0                 0         10     3
1                 0         12     4
2                 1         20     4

您可以看到，对于第一行，days数字和child csn数字不再位于同一行，就像它们在分组之前一样。这是我想要的输出：

grp_df
            patient  child csn  days
parent csn                          
0                 0         11     3
1                 0         13     4
2                 1         20     4

我怎么能得到那个？我有遍历数据框的代码，我认为它会起作用，但是即使使用 Cython，它也很慢。我觉得这应该是显而易见的，但我不这么认为。

我也查看了这个问题，但是将 放在groupbychild csn列表中是行不通的，因为.child csndays

这个问题似乎更有可能，但我没有找到非常直观的解决方案。

这个问题似乎也很可能，但同样，答案不是很直观，而且我确实希望每个parent csn.

另一个细节：包含最小值的行days可能不是唯一的。在那种情况下，我只想要一排 - 我不在乎。

非常感谢您的宝贵时间！

标签： python-3.xpandaspandas-groupbyaggregate

解决方案

您可以通过使用.idxmin()而不是.min()获取索引（行标识符）来执行此操作，其中每个组的“天数”最少：

数据创建：

import pandas as pd

data = [[0, 0, 10, 5],
        [0, 0, 11, 3],
        [0, 1, 12, 6],
        [0, 1, 13, 4],
        [1, 2, 20, 4]]
df = pd.DataFrame(data, columns=['patient', 'parent csn', 'child csn', 'days'])

print(df)
   patient  parent csn  child csn  days
0        0           0         10     5
1        0           0         11     3
2        0           1         12     6
3        0           1         13     4
4        1           2         20     4

day_minimum_row_indices = df.groupby("parent csn")["days"].idxmin()

print(day_minimum_row_indices)
parent csn
0    1
1    3
2    4
Name: days, dtype: int64

从这里你可以看到组父 csn 0 在第 1 行有最少的天数。回顾我们的原始数据框，我们可以看到第 1 行有天 == 3 并且实际上是父最小天数的位置csn == 0。父 csn == 1 在第 3 行有最少天数，依此类推。

我们可以使用行索引子集回到我们的原始数据帧中：

new_df = df.loc[day_minimum_row_indices]

print(new_df)
   patient  parent csn  child csn  days
1        0           0         11     3
3        0           1         13     4
4        1           2         20     4

编辑（tldr）：

df.loc[df.groupby("parent csn")["days"].idxmin()]

推荐阅读