时间戳

首页 > 解决方案 > 使用熊猫旋转df后获取与最大值关联的行数据

python - 使用熊猫旋转df后获取与最大值关联的行数据

问题描述

我有看起来像这样的熊猫数据框。

import pandas as pd

df = pd.DataFrame({
    'col1': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16],
    'col2': ['test1', 'test1', 'test1', 'test1', 'test2', 'test2', 'test2',
             'test2', 'test3', 'test3', 'test3', 'test3', 'test4', 'test5',
             'test1', 'test1'],
    'col3': ['t1', 't1', 't1', 't1', 't1', 't1', 't1', 't1', 't1', 't1', 't1',
             't1', 't1', 't1', 't1', 't1'],
    'col4': ['input1', 'input2', 'input3', 'input4', 'input1', 'input2',
             'input3', 'input4', 'input1', 'input2', 'input3', 'input5',
             'input2', 'input6', 'input1', 'input1'],
    'col5': ['result1', 'result2', 'result3', 'result4', 'result1', 'result2',
             'result3', 'result4', 'result1', 'result2', 'result3', 'result4',
             'result2', 'result1', 'result2', 'result6'],
    'col6': [10, 20, 30, 40, 10, 20, 30, 40, 10, 20, 30, 50, 20, 100, 10, 10],
    'col7': [100.2, 101.2, 102.3, 101.4, 100.0, 103.0, 104.0, 105.0, 102.0,
             87.0, 107.0, 110.2, 120.0, 88.0, 106.2, 101.1]
})

ptable = df.pivot_table(values='col7', index=['col4'], columns=['col2'], aggfunc='max')

ptable = (ptable [(ptable >= 100).any(1)]
        .fillna('')
        .reset_index()
        .rename_axis(None, axis=1))

一旦数据在 col2 上旋转，我正在尝试检索与最大值关联的行数据。我感兴趣的数据是 col5 和 col6 数据，但无法弄清楚如何获取该信息。非常感谢任何输入。

我正在寻找的两个输出表如下：

请求的输出表#1：

col4 col5 col6 测试1 测试2 测试3 测试4 测试5
输入1 结果2 10 106.2
输入1 结果1 10 100 102
输入2 结果2 20 101.2 103 87 120
输入3 结果3 30 102.3 104 107
输入4 结果4 40 101.4 105
输入5 结果4 50 110.2

请求的输出表#2：

col4 col5 col6 测试1 测试2 测试3 测试4 测试5
输入1 结果2 10 106.2
输入1 结果1 10 102.2 100 102
输入2 结果2 20 101.2 103 87 120
输入3 结果3 30 102.3 104 107
输入4 结果4 40 101.4 105
输入5 结果4 50 110.2

提前致谢。

标签： pythonpandasdataframepivot-table

解决方案

更新包括大于 100：

ptable = df.pivot_table(values='col7', index=['col4', 'col5', 'col6'], columns=['col2'], aggfunc='max')
ptable_1 = ptable.where((ptable.groupby(level=0).rank(ascending=False) == 1.)&(ptable>100)).dropna(how='all')
print(ptable_1)

输出：

col2                 test1  test2  test3  test4  test5
col4   col5    col6                                   
input1 result1 10      NaN    NaN  102.0    NaN    NaN
       result2 10    106.2    NaN    NaN    NaN    NaN
input2 result2 20    101.2  103.0    NaN  120.0    NaN
input3 result3 30    102.3  104.0  107.0    NaN    NaN
input4 result4 40    101.4  105.0    NaN    NaN    NaN
input5 result4 50      NaN    NaN  110.2    NaN    NaN

和，

ptable_2 = ptable[((ptable.groupby(level=0).rank(ascending=False) == 1.).any(axis=1))&(ptable>100).any(axis=1)]
print(ptable_2

输出：

col2                 test1  test2  test3  test4  test5
col4   col5    col6                                   
input1 result1 10    100.2  100.0  102.0    NaN    NaN
       result2 10    106.2    NaN    NaN    NaN    NaN
input2 result2 20    101.2  103.0   87.0  120.0    NaN
input3 result3 30    102.3  104.0  107.0    NaN    NaN
input4 result4 40    101.4  105.0    NaN    NaN    NaN
input5 result4 50      NaN    NaN  110.2    NaN    NaN

IIUC，尝试：

ptable = df.pivot_table(values='col7', index=['col4', 'col5', 'col6'], columns=['col2'], aggfunc='max')
ptable_1 = ptable.where(ptable.groupby(level=0).rank(ascending=False) == 1.).dropna(how='all')
print(ptable_1)

输出：

col2                 test1  test2  test3  test4  test5
col4   col5    col6                                   
input1 result1 10      NaN  100.0  102.0    NaN    NaN
       result2 10    106.2    NaN    NaN    NaN    NaN
input2 result2 20    101.2  103.0   87.0  120.0    NaN
input3 result3 30    102.3  104.0  107.0    NaN    NaN
input4 result4 40    101.4  105.0    NaN    NaN    NaN
input5 result4 50      NaN    NaN  110.2    NaN    NaN
input6 result1 100     NaN    NaN    NaN    NaN   88.0

和，

ptable_2 = ptable[(ptable.groupby(level=0).rank(ascending=False) == 1.).any(axis=1)]
print(ptable_2)

输出：

col2                 test1  test2  test3  test4  test5
col4   col5    col6                                   
input1 result1 10    100.2  100.0  102.0    NaN    NaN
       result2 10    106.2    NaN    NaN    NaN    NaN
input2 result2 20    101.2  103.0   87.0  120.0    NaN
input3 result3 30    102.3  104.0  107.0    NaN    NaN
input4 result4 40    101.4  105.0    NaN    NaN    NaN
input5 result4 50      NaN    NaN  110.2    NaN    NaN
input6 result1 100     NaN    NaN    NaN    NaN   88.0

推荐阅读