Панди отримують найвищі n записів у кожній групі

Припустимо, у мене є такі панди DataFrame:

>>> df = pd.DataFrame({'id':[1,1,1,2,2,2,2,3,4],'value':[1,2,3,1,2,3,4,1,1]})
>>> df
   id  value
0   1      1
1   1      2
2   1      3
3   2      1
4   2      2
5   2      3
6   2      4
7   3      1
8   4      1

Я хочу отримати новий DataFrame з топ-2 записами для кожного id, наприклад:

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

Я можу це зробити з нумерацією записів у групі за групою:

>>> dfN = df.groupby('id').apply(lambda x:x['value'].reset_index()).reset_index()
>>> dfN
   id  level_1  index  value
0   1        0      0      1
1   1        1      1      2
2   1        2      2      3
3   2        0      3      1
4   2        1      4      2
5   2        2      5      3
6   2        3      6      4
7   3        0      7      1
8   4        0      8      1
>>> dfN[dfN['level_1'] <= 1][['id', 'value']]
   id  value
0   1      1
1   1      2
3   2      1
4   2      2
7   3      1
8   4      1

Але чи існує більш ефективний / елегантний підхід до цього? А також є більш елегантний підхід до записів чисел у кожній групі (наприклад, функція вікна SQL row_number () ).

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

Вихід генерується:

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

(Майте на увазі, що вам може знадобитися замовити / сортувати раніше, залежно від ваших даних)

EDIT: Як згадував df.groupby('id').head(2).reset_index(drop=True)запитуючий , використовуйте для видалення мультидекса та вирівнювання результатів.

>>> df.groupby('id').head(2).reset_index(drop=True)
    id  value
0   1      1
1   1      2
2   2      1
3   2      2
4   3      1
5   4      1

З 0.14.1 тепер ви можете робити nlargestі nsmallestна groupbyоб’єкті:

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

Там є невелика дивина , що ви отримаєте вихідний індекс в там же, але це може бути дуже корисно в залежності від того, що вихідний індекс був .

Якщо вам це не цікаво, ви можете зробити, .reset_index(level=1, drop=True)щоб позбутися від нього взагалі.

(Примітка. З 0.17.1 ви також можете це зробити на DataFrameGroupBy, але поки це працює лише з Seriesі SeriesGroupBy.)

Іноді сортування цілих даних попереду дуже забирає багато часу. Ми можемо групуватися першими і робити топк для кожної групи:

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