熊猫在每组中获得最高n条记录

Question

假设我有像这样的pandas DataFrame：

>>> df = pd.DataFrame({'id':[1,1,1,2,2,2,2,3,4],'value':[1,2,3,1,2,3,4,1,1]})

>>> df

   id  value

0   1      1

1   1      2

2   1      3

3   2      1

4   2      2

5   2      3

6   2      4

7   3      1

8   4      1

我想为每个id获取一个包含前2条记录的新DataFrame，如下所示：

   id  value

0   1      1

1   1      2

3   2      1

4   2      2

7   3      1

8   4      1

我可以通过以下方式在组内编号记录：

>>> dfN = df.groupby('id').apply(lambda x:x['value'].reset_index()).reset_index()

>>> dfN

   id  level_1  index  value

0   1        0      0      1

1   1        1      1      2

2   1        2      2      3

3   2        0      3      1

4   2        1      4      2

5   2        2      5      3

6   2        3      6      4

7   3        0      7      1

8   4        0      8      1

>>> dfN[dfN['level_1'] <= 1][['id', 'value']]

   id  value

0   1      1

1   1      2

3   2      1

4   2      2

7   3      1

8   4      1

但这样做有更有效/优雅的方法吗？并且每个组中的数字记录还有更优雅的方法（如SQL窗口函数row_number（））。

Answer 1

你试过了吗 df.groupby('id').head(2)产生的输出：>>> df.groupby('id').head(2)&nbsp; &nbsp; &nbsp; &nbsp;id&nbsp; valueid&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;1&nbsp; 0&nbsp; &nbsp;1&nbsp; &nbsp; &nbsp; 1&nbsp; &nbsp;1&nbsp; &nbsp;1&nbsp; &nbsp; &nbsp; 2&nbsp;2&nbsp; 3&nbsp; &nbsp;2&nbsp; &nbsp; &nbsp; 1&nbsp; &nbsp;4&nbsp; &nbsp;2&nbsp; &nbsp; &nbsp; 23&nbsp; 7&nbsp; &nbsp;3&nbsp; &nbsp; &nbsp; 14&nbsp; 8&nbsp; &nbsp;4&nbsp; &nbsp; &nbsp; 1（请记住，您可能需要先订购/排序，具体取决于您的数据）编辑：正如提问者所提到的，用于df.groupby('id').head(2).reset_index(drop=True)删除多索引并展平结果。>>> df.groupby('id').head(2).reset_index(drop=True)&nbsp; &nbsp; id&nbsp; value0&nbsp; &nbsp;1&nbsp; &nbsp; &nbsp; 11&nbsp; &nbsp;1&nbsp; &nbsp; &nbsp; 22&nbsp; &nbsp;2&nbsp; &nbsp; &nbsp; 13&nbsp; &nbsp;2&nbsp; &nbsp; &nbsp; 24&nbsp; &nbsp;3&nbsp; &nbsp; &nbsp; 15&nbsp; &nbsp;4&nbsp; &nbsp; &nbsp; 1

Answer 2

由于0.14.1，你现在可以做的nlargest和nsmallest一个上groupby对象：In [23]: df.groupby('id')['value'].nlargest(2)Out[23]:&nbsp;id&nbsp; &nbsp;1&nbsp; &nbsp;2&nbsp; &nbsp; 3&nbsp; &nbsp; 1&nbsp; &nbsp; 22&nbsp; &nbsp;6&nbsp; &nbsp; 4&nbsp; &nbsp; 5&nbsp; &nbsp; 33&nbsp; &nbsp;7&nbsp; &nbsp; 14&nbsp; &nbsp;8&nbsp; &nbsp; 1dtype: int64还有，你在那里得到的原始索引以及轻微的怪事，但根据您的原始索引是什么，这可能是真正有用的是。如果你对它不感兴趣，你可以.reset_index(level=1, drop=True)完全摆脱它。（注意：从0.17.1开始，你也可以在DataFrameGroupBy上执行此操作，但现在它只适用于Series和SeriesGroupBy。）