平衡具有特定对的行数

Question

所以，我有一个 pandas 数据框，看起来像这样：

  data  |  Flag  |  Set

-----------------------------

  0     |  True  |  A

  30    |  True  |  A

  -1    |  False |  A

  20    |  True  |  B

  5     |  False |  B

  19    |  False |  B

  7     |  False |  C

  8     |  False |  c

我怎样才能（优雅地）以这样的方式删除行，使得对于每组，都有相同数量的True和False Flags？输出看起来像这样

  data  |  Flag  |  Set

-----------------------------

  0     |  True  |  A

  -1    |  False |  A

  20    |  True  |  B

  5     |  False |  B

对于A，有 1 个假标志，因为B有 1 个真标志，并且C有 0 个真标志。我知道如何暴力破解，但我觉得有一些我不知道的优雅方法。

Answer 1

首先获取Flag每个Setby的计数crosstab，过滤掉行0- 它意味着唯一True或False值，并获取字典的最小值d：df1 = pd.crosstab(df['Set'], df['Flag'])d = df1[df1.ne(0).all(axis=1)].min(axis=1).to_dict()print (d){'A': 1, 'B': 1}然后按Set字典的列和键过滤行，然后DataFrame.head按组使用dict：df1 = (df[df['Set'].isin(d.keys())]           .groupby(['Set', 'Flag'], group_keys=False)           .apply(lambda x: x.head(d[x.name[0]])))print (df1)   data   Flag Set2    -1  False   A0     0   True   A4     5  False   B3    20   True   B编辑：对于验证返回的解决方案，如果有 2 次True且False每组A：print (df)   data   Flag Set0     0   True   A1     8   True   A2    30   True   A3    -1  False   A4   -14  False   A5    20   True   B6     5  False   B7    19  False   B8     7  False   C9     8  False   cdf1 = pd.crosstab(df['Set'], df['Flag'])d = df1[df1.ne(0).all(axis=1)].min(axis=1).to_dict()print (d){'A': 2, 'B': 1}df1 = (df[df['Set'].isin(d.keys())]           .groupby(['Set', 'Flag'], group_keys=False)           .apply(lambda x: x.head(d[x.name[0]])))print (df1)   data   Flag Set3    -1  False   A4   -14  False   A0     0   True   A1     8   True   A6     5  False   B5    20   True   B

Answer 2

这可能是一个可能的解决方案，包含 3 个步骤：删除所有没有 true 和 false 标志的集合（此处为 C）计算每个设置标志组合所需的行数删除超过该计数行数的所有行这会产生以下代码：df = pd.DataFrame(data={"data":[0, 30, -1, 20, 5, 19, 7, 8],                        "Flag":[True, True, False, True, False, False, False, False],                        "Set":["A", "A", "A", "B", "B", "B", "C", "C"]})# 1. removing sets with only one of both flagsreducer = df.groupby("Set")["Flag"].transform("nunique") > 1df_reduced = df.loc[reducer]# 2. counting the minimum number of rows per setcounts = df_reduced.groupby(["Set", "Flag"]).count().groupby("Set").min()# 3. reducing each set and flag to the minumum number of rowsdf_equal = df_reduced.groupby(["Set", "Flag"]) \            .apply(lambda x: x.head(counts.loc[x["Set"].values[0]][0])) \            .reset_index(drop=True)

Answer 3

编辑：我想出了一个易于理解、简洁的解决方案：只需获取.cumcount()分组依据set和flag检查一组set和cumcount上面的结果（cc下面的代码）是否重复。如果一个组不包含重复项，则意味着需要将其删除。In[1]:     data   Flag Set0      0   True   A1      8   True   A2     30   True   A3      0   True   A4      8   True   A5     30   True   A6     -1  False   A7    -14  False   A8     -1  False   A9    -14  False   A10    20   True   B11     5  False   B12    19  False   B13     7  False   C14     8  False   c编辑2：根据@Jezrael，我可以进一步简化以下三行代码：df = (df[df.assign(cc = df.groupby(['Set', 'Flag'])           .cumcount()).duplicated(['Set','cc'], keep=False)])下面的代码进一步细分。df['cc'] = df.groupby(['Set', 'Flag']).cumcount()s = df.duplicated(['Set','cc'], keep=False)df = df[s].drop('cc', axis=1)dfOut[1]:     data   Flag Set0      0   True   A1      8   True   A2     30   True   A3      0   True   A6     -1  False   A7    -14  False   A8     -1  False   A9    -14  False   A10    20   True   B11     5  False   B在删除之前，数据如下所示：df['cc'] = df.groupby(['Set', 'Flag']).cumcount()df['s'] = df.duplicated(['Set','cc'], keep=False)# df = df[df['s']].drop('cc', axis=1)dfOut[1]:     data   Flag Set  cc      s0      0   True   A   0   True1      8   True   A   1   True2     30   True   A   2   True3      0   True   A   3   True4      8   True   A   4  False5     30   True   A   5  False6     -1  False   A   0   True7    -14  False   A   1   True8     -1  False   A   2   True9    -14  False   A   3   True10    20   True   B   0   True11     5  False   B   0   True12    19  False   B   1  False13     7  False   C   0  False14     8  False   c   0  False然后，False列中的行s被删除df = df[df['s']]