python - Python分组；仅在满足条件时保留

Question

假设您有一个数据集，其中包含零件、项目、报价、价格和isSelected.

对于每个零件、项目和报价，如果有isSelected，则只保留那一行，但如果没有isSelected，则保留该零件、项目和报价组合的所有行。

请参见下面的示例。

数据集：

部分	项目	引用	价格	被选中
1	一个	1	5.0	不
1	一个	1	2.2	是的
5	C	2	6.6	不
5	C	2	1.2	是的
3	乙	3	5.5	不
3	乙	3	4.6	不

期望的结果：

部分	项目	引用	价格	被选中
1	一个	1	2.2	是的
5	C	2	1.2	是的
3	乙	3	5.5	不
3	乙	3	4.6	不

标签： pythonpandasgroup-bypandas-groupby

Answer 1

这种一般的任务类别可以通过遍历由 a或的操作GroupBy产生的对象来解决。.groupbySeriesDataFrame

在这种特殊情况下，您还可以使用GroupBy.apply方法，该方法对每个组执行计算并将结果连接在一起。

GroupBy该类的文档在这里。

我将首先介绍循环版本，因为对于尚未熟悉计算的“DataFrame 风格”的程序员来说，它可能更易于使用。但是，我建议.apply尽可能使用该版本。处理大型数据集时速度会更快，并且可能会消耗更少的内存。它也被认为是更“惯用”的风格，它将迫使您学习如何将代码分解为单独的函数。

使用循环

很多人没有意识到DataFrame.groupby（GroupBy对象）的结果可以被迭代。此处记录了此特定功能。

除此之外，逻辑由一个简单的if语句、一些 Pandas 子集和concat函数组成。

完整示例：

import io
import pandas as pd

data = pd.read_csv(io.StringIO('''
Part,Project,Quote,Price,isSelected
1,A,1,5.0,No
1,A,1,2.2,Yes
5,C,2,6.6,No
5,C,2,1.2,Yes
3,B,3,5.5,No
3,B,3,4.6,No
'''))

group_results = []
for _, group in data.groupby(['Part', 'Project', 'Quote']):
    is_selected = group['isSelected'] == 'Yes'

    if is_selected.any():
        # Select the rows where 'isSelected' is True, and
        # then select the first row from that output.
        # Using [0] instead of 0 ensures that the result
        # is still a DataFrame, and that it does not get
        # "squeezed" down to a Series.
        group_result = group.loc[is_selected].iloc[[0]]

    else:
        group_result = group

    group_results.append(group_result)

results = pd.concat(group_results)
print(results)

输出：

   Part Project  Quote  Price isSelected
1     1      A       1    2.2        Yes
4     3      B       3    5.5         No
5     3      B       3    4.6         No
3     5      C       2    1.2        Yes

使用.apply

该GroupBy.apply方法本质上pd.concat为您完成了列表附加部分。我们没有编写循环，而是编写了一个函数，我们将其传递给.apply：

import io
import pandas as pd

data = pd.read_csv(io.StringIO('''
Part,Project,Quote,Price,isSelected
1,A,1,5.0,No
1,A,1,2.2,Yes
5,C,2,6.6,No
5,C,2,1.2,Yes
3,B,3,5.5,No
3,B,3,4.6,No
'''))


groups = data.groupby(['Part', 'Project', 'Quote'], as_index=False)


def process_group(group):
    is_selected = group['isSelected'] == 'Yes'

    if is_selected.any():
        # Select the rows where 'isSelected' is True, and
        # then select the first row from that output.
        # Using [0] instead of 0 ensures that the result
        # is still a DataFrame, and that it does not get
        # "squeezed" down to a Series.
        group_result = group.loc[is_selected].iloc[[0]]

    else:
        group_result = group

    return group_result


# Use .reset_index to remove the extra index layer created by Pandas,
# which is not necessary in this situation.
results = groups.apply(process_group).reset_index(level=0, drop=True)
print(results)

输出：

   Part Project  Quote  Price isSelected
1     1       A      1    2.2        Yes
4     3       B      3    5.5         No
5     3       B      3    4.6         No
3     5       C      2    1.2        Yes