有时，提前排序整个数据非常耗时。 我们可以先分组，然后对每一组做topk:

g = df.groupby(['id']).apply(lambda x: x.nlargest(topk,['value'])).reset_index(drop=True)

有时，提前排序整个数据非常耗时。 我们可以先分组，然后对每一组做topk:

g = df.groupby(['id']).apply(lambda x: x.nlargest(topk,['value'])).reset_index(drop=True)

df.groupby('id').apply(lambda x : x.sort_values(by = 'value', ascending = False).head(2).reset_index(drop = True))

这里的排序值升序为false，类似于nbiggest, True类似于nminimal。 头部内的值与我们在nbiggest内给出的值相同，以获得每个组要显示的值的数量。 Reset_index是可选的，不是必需的。

这适用于重复的值

如果你在前n个值中有重复的值，并且只想要唯一的值，你可以这样做:

import pandas as pd

ifile = "https://raw.githubusercontent.com/bhishanpdl/Shared/master/data/twitter_employee.tsv"
df = pd.read_csv(ifile,delimiter='\t')
print(df.query("department == 'Audit'")[['id','first_name','last_name','department','salary']])

    id first_name last_name department  salary
24  12   Shandler      Bing      Audit  110000
25  14      Jason       Tom      Audit  100000
26  16     Celine    Anston      Audit  100000
27  15    Michale   Jackson      Audit   70000

If we do not remove duplicates, for the audit department we get top 3 salaries as 110k,100k and 100k.
If we want to have not-duplicated salaries per each department, we can do this:

(df.groupby('department')['salary']
 .apply(lambda ser: ser.drop_duplicates().nlargest(3))
 .droplevel(level=1)
 .sort_index()
 .reset_index()
)

This gives

department  salary
0   Audit   110000
1   Audit   100000
2   Audit   70000
3   Management  250000
4   Management  200000
5   Management  150000
6   Sales   220000
7   Sales   200000
8   Sales   150000

从0.14.1开始，你现在可以在groupby对象上执行nmaximum和nleast:

In [23]: df.groupby('id')['value'].nlargest(2)
Out[23]: 
id   
1   2    3
    1    2
2   6    4
    5    3
3   7    1
4   8    1
dtype: int64

有点奇怪的是，这里也有原始下标，但这可能很有用，这取决于原始下标是什么。

如果你对它不感兴趣，你可以执行.reset_index(level=1, drop=True)来完全摆脱它。

(注意:从0.17.1开始，你也可以在DataFrameGroupBy上做到这一点，但目前它只适用于Series和SeriesGroupBy)

你试过了吗

df.groupby('id').head(2)

输出生成:

       id  value
id             
1  0   1      1
   1   1      2 
2  3   2      1
   4   2      2
3  7   3      1
4  8   4      1

(请记住，你可能需要排序/排序之前，取决于你的数据)

编辑:正如提问者提到的，使用

df.groupby('id').head(2).reset_index(drop=True)

删除MultiIndex并平化结果:

    id  value
0   1      1
1   1      2
2   2      1
3   2      2
4   3      1
5   4      1