熊猫 - 从另一列中删除重复的行，但具有最大值的行除外

Question

我有一个大型数据框（超过100列，还有几行10万行），其中包含许多包含重复数据的行。我正在尝试删除重复的行，将具有最大值的行保留在不同的列中。

本质上，我是根据时间段将数据分类到各个箱中，所以在不同的时间段，人们会发现很多重复，因为大多数实体存在于所有的时间段。然而，不允许的是同一实体在给定的时间段内出现不止一次。

我在python pandas中尝试了这种方法：通过列A删除重复项，在数据子集上保留列B中具有最高值的行，并计划与原始数据帧df重新组合。

数据子集示例：

              unique_id   period_id   liq
index                                   
19            CAN00CE0     199001  0.017610
1903          **USA07WG0** 199001  1.726374
12404         **USA07WG0** 199001  0.090525
13330         USA08DE0     199001  1.397143
14090         USA04U80     199001  2.000716
12404         USA07WG0     199002  0.090525
13330         USA08DE0     199002  1.397143
14090         USA04U80     199002  2.000716

在上面的示例中，我希望保留第一个实例（因为liq较高，为1.72），并丢弃第二个实例（liq较低，为0.09）。注意，在给定的period_id中可以有两个以上的重复。

我尝试了这个，但对我来说很慢（超过5分钟后我停止了它）：

def h(x):
    x = x.dropna() #idmax fails on nas, and happy to throw out where liq is na.
    return x.ix[x.liq.idmax()]

df.groupby([‘holt_unique_id’, ‘period_id’], group_keys = False).apply(lambda x: h(x))

我最终完成了下面的工作，它更加冗长和丑陋，并且简单地抛出了除一个副本之外的所有副本，但这也是非常慢的！考虑到其他类似复杂操作的速度，我想我会在这里寻求更好的解决方案。

因此，我的请求实际上是修复上面的代码，以便它更快，下面给出了指导，如果在下面的静脉中，也许我也可以丢弃基于索引的重复，而不是我采用的reset_index/set_index方法:

def do_remove_duplicates(df):
    sub_df = df[['period_id', 'unique_id']] 
    grp = sub_df.groupby(['period_id', 'unique_id'], as_index = False)
    cln = grp.apply(lambda x: x.drop_duplicates(cols = 'unique_id'))   #apply drop_duplicates.  This line is the slow bit!
    cln = cln.reset_index()   #remove the index stuff that has been added
    del(cln['level_0'])   #remove the index stuff that has been added
    cln.set_index('level_1', inplace = True)   #set the index back to the original (same as df).
    df_cln = cln.join(df, how = 'left', rsuffix = '_right')   # join the cleaned dataframe with the original, discarding the duplicate rows using a left join.
    return df_cln

Answer 1

这个怎么样：

• 使用最大数据更新所有列。
• 选一行（说第一行）。

这应该要快得多，因为它是矢量化的。

In [11]: g = df.groupby(["unique_id", "period_id"], as_index=False)

In [12]: g.transform("max")
Out[12]:
            liq
index
19     0.017610
1903   1.726374
12404  1.726374
13330  1.397143
14090  2.000716
12404  0.090525
13330  1.397143
14090  2.000716

In [13]: df.update(g.transform("max"))

In [14]: g.nth(0)
Out[14]:
          unique_id  period_id       liq
index
19         CAN00CE0     199001  0.017610
1903   **USA07WG0**     199001  1.726374
13330      USA08DE0     199001  1.397143
14090      USA04U80     199001  2.000716
12404      USA07WG0     199002  0.090525
13330      USA08DE0     199002  1.397143
14090      USA04U80     199002  2.000716

注意：我想在这里先使用groupby，然后再使用groupby。但我认为这是一个错误，它们会丢弃旧索引，我认为它们不应该这样做……不过，第n个是可行的。

另一种方法是首先切掉不等于liq max的部分:

(df[df["liq"] == g["liq"].transform("max")]  #  keep only max liq rows
 .groupby(["unique_id", "period_id"])
 .nth(0)