我有一个在列a中具有重复值的数据帧，我想删除重复项，保持列B中值最高的行。
所以这个:
A B
1 10
1 20
2 30
2 40
3 10
应该变成这样:
A B
1 20
2 40
3 10
我猜可能有一种简单的方法可以做到这一点——可能就像在删除重复数据之前对DataFrame进行排序一样简单——但是我不太了解groupby的内部逻辑，无法弄清楚它。有什么建议吗?
当前回答
当已经给出的帖子回答了这个问题时，我做了一个小更改，添加了max()函数应用的列名，以提高代码的可读性。
df.groupby('A', as_index=False)['B'].max()
其他回答
我是通过一个重复问题的链接来到这里的。
对于只有两列，这样做不是更简单吗:
df.groupby('A')['B'].max().reset_index()
并且要保留一整行(当有更多列时，这就是把我带到这里的“重复问题”所问的问题):
df.loc[df.groupby(...)[column].idxmax()]
例如，为了保留'C'取最大值的整行，对于每一组['A'， 'B']，我们会这样做:
out = df.loc[df.groupby(['A', 'B')['C'].idxmax()]
当有相对较少的组(即，大量的重复)时，这比drop_duplicate()解决方案(更少的排序)更快:
设置:
n = 1_000_000
df = pd.DataFrame({
'A': np.random.randint(0, 20, n),
'B': np.random.randint(0, 20, n),
'C': np.random.uniform(size=n),
'D': np.random.choice(list('abcdefghijklmnopqrstuvwxyz'), size=n),
})
(增加sort_index()以确保相等的解):
%timeit df.loc[df.groupby(['A', 'B'])['C'].idxmax()].sort_index()
# 101 ms ± 98.7 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
%timeit df.sort_values(['C', 'A', 'B'], ascending=False).drop_duplicates(['A', 'B']).sort_index()
# 667 ms ± 784 µs per loop (mean ± std. dev. of 7 runs, 1 loop each)
这是我必须解决的一个值得分享的变化:对于列a中的每个唯一字符串，我想找到列b中最常见的关联字符串。
df.groupby(“一列圆柱”)。gg ({columnB:λx: x.mode () .any ()}) .reset_index ()
any()会在模式相同的情况下选择一个。(注意，对int类型的Series使用.any()将返回一个布尔值，而不是从中选择一个。)
对于原问题，相应的方法简化为
df.groupby(一列圆柱).columnB.agg (max) .reset_index()。
最上面的答案是做了太多的工作，对于更大的数据集看起来非常慢。应用速度较慢，应尽量避免。Ix已被弃用，也应该避免使用。
df.sort_values('B', ascending=False).drop_duplicates('A').sort_index()
A B
1 1 20
3 2 40
4 3 10
或者简单地按所有其他列分组，然后取所需列的最大值。df。groupby (A, as_index = False) .max ()
你也可以试试这个
df.drop_duplicates(subset='A', keep='last')
我参考了https://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.drop_duplicates.html
与所选答案非常相似的方法，但是按多列对数据帧进行排序可能是一种更简单的编码方法。
首先，根据“A”和“B”列对日期帧进行排序，ascending=False确保它从最高值到最低值进行排序:
df.sort_values(["A", "B"], ascending=False, inplace=True)
然后，删除重复项，只保留第一项，它已经是值最高的项:
df.drop_duplicates(inplace=True)
