非常简单:我们有如下所示的df，我们想在C中打印一行max值:

A  B  C
x  1  4
y  2  10
z  5  9

In:

df.loc[df['C'] == df['C'].max()]   # condition check

Out:

A B C
y 2 10

df.iloc[df['columnX'].argmax()]

argmax()将为columnX提供与max值对应的索引。iloc可以用来获取该索引的DataFrame df的行。

DataFrame的idmax返回具有最大值的行的标签索引，argmax的行为取决于pandas的版本(现在它返回一个警告)。如果您想使用位置索引，您可以执行以下操作:

max_row = df['A'].values.argmax()

or

import numpy as np
max_row = np.argmax(df['A'].values)

请注意，如果使用np.argmax(df['A'])，其行为与df['A'].argmax()相同。

考虑这个数据框架

[In]: df = pd.DataFrame(np.random.randn(4,3),columns=['A','B','C'])
[Out]:
          A         B         C
0 -0.253233  0.226313  1.223688
1  0.472606  1.017674  1.520032
2  1.454875  1.066637  0.381890
3 -0.054181  0.234305 -0.557915

假设一个人想知道列“C”最大的行，下面的工作将完成

[In]: df[df['C']==df['C'].max()])
[Out]:
          A         B         C
1  0.472606  1.017674  1.520032

如果最大值中有联系，那么idxmax只返回第一个最大值的索引。例如，在下面的DataFrame中:

   A  B  C
0  1  0  1
1  0  0  1
2  0  0  0
3  0  1  1
4  1  0  0

idxmax回报

A    0
B    3
C    0
dtype: int64

现在，如果我们想要所有的索引都对应于max值，那么我们可以使用max + eq来创建一个布尔DataFrame，然后在df上使用它。Index来过滤索引:

out = df.eq(df.max()).apply(lambda x: df.index[x].tolist())

输出:

A       [0, 4]
B          [3]
C    [0, 1, 3]
dtype: object

Use:

data.iloc[data['A'].idxmax()]

data['A'].idxmax() -根据行查找最大值位置 Data.iloc() -返回行