蟒蛇| 熊猫以多个间隔丢弃值

Question

我有一个并不真正平衡的数据集。因此，我想删除特定范围内的值，以便在每个范围内我只剩下比预先指定的数量更少的观察值cutoff。

我为了进一步解释我的意思我将展示一个例子（b列中的值是浮点数）

  a b

0 1 0

1 7 0

2 9 5

3 3 9

4 5 6 

我想在 b 列中搜索特定范围，例如ranges = np.array([0, 2, 4, 6, 8, 10])给定 a cutoff = 1（可以是任何指定的整数）。例如，0第一行中的值位于区间 [0,2)（不包括 2）中，第二行也包含来自该区间的值。因为截止值等于 1，所以在这个区间中只允许 b 的一个值。因此，第二行被删除（如果这些行不会被顺序删除，而是不确定地删除，那就太好了），我们获得了以下简化的数据帧。

  a b

0 1 0

2 9 5

3 3 9

4 5 6 

Answer 1

您可以使用pd.cut来b根据 对值进行分类ranges，并删除那些duplicated：ranges = np.array([0, 2, 4, 6, 8, 10])df[~(pd.cut(df.b, ranges, include_lowest=True, right=False)).duplicated()]   a  b0  1  02  9  53  3  94  5  6在哪里：pd.cut(df.b, ranges, include_lowest=True, right=False)0     [0, 2)1     [0, 2)2     [4, 6)3    [8, 10)4     [6, 8)Name: b, dtype: category更新如果要使用允许重复值的特定截断值，可以按返回的区间分组，pd.cut并n使用 [ head] 选择重复的第一个值，以选择n属于同一区间的第一行。以下数据帧与您的数据帧相同，但有额外的一行，因此功能更清晰：print(df)   a  b0  1  01  7  02  7  03  9  54  3  95  5  6cuttoff = 2g = pd.cut(df.b, ranges, include_lowest=True, right=False)df.groupby(g).head(cuttoff)   a  b0  1  01  7  03  9  54  3  95  5  6