python pandas: Eliminar duplicados por columnas A, manteniendo la fila con el valor más alto en la columna B

Question

Tengo un marco de datos con valores repetidos en la columna A. Quiero soltar duplicados, manteniendo la fila con el valor más alto en la columna B.

Así que esto:

A B 
1 10 
1 20 
2 30 
2 40 
3 10 

debe convertirse en esto:

A B 
1 20 
2 40 
3 10 

Wes ha añadido algunas funciones agradable para dejar duplicados: http://wesmckinney.com/blog/?p=340. Pero AFAICT está diseñado para duplicados exactos, por lo que no se mencionan los criterios para seleccionar qué filas se guardan.

Supongo que probablemente exista una manera fácil de hacerlo --- quizás tan fácil como ordenar el dataframe antes de descartar duplicados --- pero no conozco la lógica interna de groupby lo suficiente como para resolverlo. ¿Alguna sugerencia?

Answer 1

esto toma la última. No es la máxima de que:

In [10]: df.drop_duplicates(subset='A', keep="last") 
Out[10]: 
    A B 
1 1 20 
3 2 40 
4 3 10 

Usted también puede hacer algo como:

In [12]: df.groupby('A', group_keys=False).apply(lambda x: x.loc[x.B.idxmax()]) 
Out[12]: 
    A B 
A  
1 1 20 
2 2 40 
3 3 10 

Answer 2

no voy a dar la respuesta completa (no creo que usted está buscando el análisis y la escritura para presentar parte de todos modos), pero un indicio fundamental debería ser suficiente: la función de uso pitón set(), y luego sorted() o .sort() acoplado con .reverse():

>>> a=sorted(set([10,60,30,10,50,20,60,50,60,10,30])) 
>>> a 
[10, 20, 30, 50, 60] 
>>> a.reverse() 
>>> a 
[60, 50, 30, 20, 10] 

Answer 3

Prueba esto:

df.groupby(['A']).max() 

Answer 4

La respuesta más común es hacer demasiado trabajo y parece ser muy lento para grandes conjuntos de datos. apply es lento y debe evitarse si es posible. ix está en desuso y debe evitarse también.

df.sort_values('B', ascending=False).drop_duplicates('A').sort_index() 

    A B 
1 1 20 
3 2 40 
4 3 10 

O simplemente agrupe por todas las otras columnas y tome el máximo de la columna que necesite. df.groupby('A', as_index=False).max()

Answer 5

esto también funciona:

a=pd.DataFrame({'A':a.groupby('A')['B'].max().index,'B':a.groupby('A')  ['B'].max().values}) 

Answer 6

Usted puede probar esto, así

df.drop_duplicates(subset='A', keep='last') 

me refería esto desde https://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.drop_duplicates.html

Answer 7

Creo que en su caso no se necesita realmente una agrupar por. Me ordenar por orden descendente de su columna B, a continuación, colocar duplicados en la columna A y si lo desea, también puede tener una nueva agradable y índice limpia así:

df.sort_values('B', ascending=False).drop_duplicates('A').sort_index().reset_index(drop=True)