#python #pandas #dataframe #indexing
#python #pandas #фрейм данных #индексирование
Вопрос:
У меня есть нечто похожее на следующий фрейм данных, df :
df
full_name team rec_yards
0 Michael Thomas NO 1688
1 Chris Godwin NO 1333
2 DeAndre Hopkins NO 1165
3 Julio Jones NO 1316
4 Cooper Kupp NO 800
5 Adam Thielen LA 1165
6 Julian Edelman LA 1316
7 Stefon Diggs LA 1062
8 Alshon Jeffery LA 1250
9 AJ Green LA 800
...
Для каждого team я хотел бы сохранить первые четыре full_name в соответствии с rec_yards . Есть ли способ, которым я могу перебирать каждую команду, чтобы сделать это?
Это мой желаемый результат:
full_name team rec_yards
0 Michael Thomas NO 1688
1 Chris Godwin NO 1333
2 Julio Jones NO 1316
3 DeAndre Hopkins NO 1165
4 Julian Edelman LA 1316
5 Alshon Jeffery LA 1250
6 Adam Thielen LA 1165
7 Stefon Diggs LA 1062
Этот вывод сохраняет четыре лучших rec_yards значения для каждой команды, сортирует их и удаляет все строки, которые не входят в топ-4 для каждой команды
Что я пробовал:
Я попытался превратить df в многоуровневый индекс, используя
filter.set_index(['team', 'full_name']).sort_index()
Но rec_yards не сортируется в каком-либо определенном порядке. Опять же, я бы просто хотел сохранить 4 лучших full_name для каждого team в соответствии со rec_yards значениями. Является ли многоуровневый индекс правильным решением здесь? Примечание: исходный df не является многоуровневым индексом, как кто-то думал. Это просто исходный df.
РЕДАКТИРОВАТЬ: Вот словарь моего df
{'full_name': ['Michael Thomas',
'Chris Godwin',
'DeAndre Hopkins',
'Julio Jones',
'Cooper Kupp',
'Julian Edelman',
'Kenny Golladay',
'Keenan Allen',
'Amari Cooper',
'D.J. Moore',
'Mike Evans',
'DeVante Parker',
'Jarvis Landry',
'Stefon Diggs',
'Tyler Lockett',
'Tyler Boyd',
'John Brown',
'Robert Woods',
'Courtland Sutton',
'Calvin Ridley',
'A.J. Brown',
'Terry McLaurin',
'Davante Adams',
'Cole Beasley',
'Michael Gallup',
'Tyreek Hill',
'Jamison Crowder',
'Larry Fitzgerald',
'Curtis Samuel',
'Deebo Samuel',
'Darius Slayton',
'Mike Williams',
'Mike Williams',
'Robby Anderson',
'Christian Kirk',
'Diontae Johnson',
'Chris Conley',
'Randall Cobb',
'Tyrell Williams',
'Marquise Brown',
'Sammy Watkins',
'Golden Tate',
'James Washington',
'Dede Westbrook',
'Danny Amendola',
'Sterling Shepard',
'Zach Pascal',
'Anthony Miller',
'Alshon Jeffery',
'Kenny Stills',
'T.Y. Hilton',
'Adam Thielen',
'Breshad Perriman',
'Mecole Hardman',
'JuJu Smith-Schuster',
'Hunter Renfrow',
'Brandin Cooks',
'Corey Davis',
'Auden Tate',
'Emmanuel Sanders',
'Emmanuel Sanders',
'Alex Erickson',
'Kendrick Bourne',
'Nelson Agholor',
'Preston Williams',
'Demarcus Robinson',
'Taylor Gabriel',
'Russell Gage',
'Adam Humphries',
'Allen Lazard',
'Allen Hurns',
'Demaryius Thomas',
'Marquez Valdes-Scantling',
'Albert Wilson',
'Bisi Johnson',
'Geronimo Allison',
'Paul Richardson',
'Keelan Cole',
'Cody Latimer',
'Jakobi Meyers',
'Josh Reynolds',
'Kelvin Harmon',
'Seth Roberts',
'Isaiah McKenzie',
'David Moore',
'Josh Gordon',
'Josh Gordon',
"Tre'Quan Smith",
'Jarius Wright',
'Damiere Byrd',
'Keke Coutee',
'DaeSean Hamilton',
'Pharoh Cooper',
'Trey Quinn',
'Miles Boykin',
'Jaron Brown',
'Chester Rogers',
'Tavon Austin',
'KeeSean Johnson',
'Malik Turner',
'Bennie Fowler',
'Vyncint Smith',
'Jakeem Grant',
'Parris Campbell',
'Marvin Hall',
'Jake Kumerow',
'Justin Watson',
'Marquise Goodwin',
'Javon Wims',
'DeSean Jackson',
'Andy Isabella',
'Tim Patrick',
'Byron Pringle',
'Dante Pettis',
'Laquon Treadwell',
'J.J. Arcega-Whiteside',
"N'Keal Harry",
'Justin Hardy',
'Kalif Raymond',
'Zay Jones',
'Zay Jones',
'Trevor Davis',
'Trevor Davis',
'Trevor Davis',
'Cordarrelle Patterson',
'Keelan Doss',
'Damion Ratley',
'Mack Hollins',
'Mack Hollins',
'Devin Smith',
'Dontrelle Inman',
'Dontrelle Inman',
'Christian Blake',
'Duke Williams',
'Antonio Callaway',
'Olamide Zaccheaus',
'Rashard Higgins',
'Braxton Berrios',
'DeAndre Carter',
'Robert Foster',
'Deon Cain',
'Deon Cain',
'Trent Sherfield',
'Andre Patton',
'Chris Hogan',
'Ryan Switzer',
'Diontae Spencer',
'Deonte Harris',
'Chad Beebe',
'Marcell Ateman',
'Travis Benjamin',
'KhaDarel Hodge',
'Ventell Bryant',
'Geremy Davis',
'Jason Moore',
'Devin Funchess',
'Johnny Holton',
'Cody Core',
'Donte Moncrief',
'Andre Roberts',
'Russell Shepard',
'Gunner Olszewski',
'Ryan Grant',
'C.J. Board',
'Chris Moore',
'Marqise Lee',
'Stanley Morgan',
'Riley Ridley',
'Fred Brown',
'DeAndrew White',
'Josh Bellamy',
'Ashton Dulin',
'Michael Walker',
'Mike Thomas',
'Brandon Zylstra',
'Austin Carr',
'Dwayne Harris',
'Krishawn Hogan',
'Quincy Enunwa',
'Greg Dortch',
'JoJo Natson',
'Juwann Winfree',
'Matthew Slater',
'Taywan Taylor'],
'rec_yards': [1688,
1333,
1165,
1316,
1062,
1091,
1118,
1117,
1097,
1175,
1157,
1065,
1092,
1130,
1006,
987,
1060,
1067,
1060,
866,
927,
919,
904,
778,
1009,
799,
767,
759,
614,
700,
690,
963,
963,
761,
649,
626,
737,
747,
651,
569,
665,
608,
735,
588,
662,
537,
597,
651,
490,
561,
429,
418,
511,
508,
546,
503,
543,
557,
575,
477,
367,
513,
358,
363,
428,
425,
353,
378,
374,
408,
416,
433,
433,
292,
260,
270,
245,
294,
288,
359,
326,
332,
271,
247,
271,
287,
139,
178,
286,
285,
247,
232,
219,
198,
198,
220,
179,
176,
187,
245,
193,
189,
164,
127,
261,
212,
132,
186,
163,
159,
189,
204,
170,
109,
184,
169,
76,
155,
170,
126,
69,
83,
28,
0,
83,
133,
136,
125,
0,
113,
132,
43,
91,
58,
89,
93,
55,
104,
97,
64,
72,
52,
80,
56,
53,
27,
31,
24,
70,
70,
30,
57,
15,
38,
43,
32,
21,
28,
18,
20,
25,
34,
14,
31,
21,
18,
18,
15,
21,
20,
20,
17,
15,
14,
10,
9,
7,
4,
-4,
0,
0,
0,
0,
0],
'team': ['NO',
'TB',
'HOU',
'ATL',
'LA',
'NE',
'DET',
'LAC',
'DAL',
'CAR',
'TB',
'MIA',
'CLE',
'MIN',
'SEA',
'CIN',
'BUF',
'LA',
'DEN',
'ATL',
'TEN',
'WAS',
'GB',
'BUF',
'DAL',
'KC',
'NYJ',
'ARI',
'CAR',
'SF',
'NYG',
'LAC',
'LAC',
'NYJ',
'ARI',
'PIT',
'JAC',
'DAL',
'OAK',
'BAL',
'KC',
'NYG',
'PIT',
'JAC',
'DET',
'NYG',
'IND',
'CHI',
'PHI',
'HOU',
'IND',
'MIN',
'TB',
'KC',
'PIT',
'OAK',
'LA',
'TEN',
'CIN',
'SF',
'DEN',
'CIN',
'SF',
'PHI',
'MIA',
'KC',
'CHI',
'ATL',
'TEN',
'GB',
'MIA',
'NYJ',
'GB',
'MIA',
'MIN',
'GB',
'WAS',
'JAC',
'NYG',
'NE',
'LA',
'WAS',
'BAL',
'BUF',
'SEA',
'NE',
'SEA',
'NO',
'CAR',
'ARI',
'HOU',
'DEN',
'ARI',
'WAS',
'BAL',
'SEA',
'IND',
'DAL',
'ARI',
'SEA',
'NYG',
'NYJ',
'MIA',
'IND',
'DET',
'GB',
'TB',
'SF',
'CHI',
'PHI',
'ARI',
'DEN',
'KC',
'SF',
'MIN',
'PHI',
'NE',
'ATL',
'TEN',
'OAK',
'BUF',
'OAK',
'GB',
'MIA',
'CHI',
'OAK',
'CLE',
'PHI',
'MIA',
'DAL',
'LAC',
'IND',
'ATL',
'BUF',
'CLE',
'ATL',
'CLE',
'NYJ',
'HOU',
'BUF',
'PIT',
'IND',
'ARI',
'LAC',
'CAR',
'PIT',
'DEN',
'NO',
'MIN',
'OAK',
'LAC',
'CLE',
'DAL',
'LAC',
'LAC',
'IND',
'PIT',
'NYG',
'PIT',
'BUF',
'NYG',
'NE',
'OAK',
'JAC',
'BAL',
'JAC',
'CIN',
'CHI',
'DEN',
'CAR',
'NYJ',
'IND',
'JAC',
'LA',
'CAR',
'NO',
'OAK',
'NO',
'NYJ',
'CAR',
'LA',
'DEN',
'NE',
'CLE']}
Комментарии:
1. пожалуйста, опубликуйте ожидаемый результат. Кроме того, это не похоже на мультииндекс. если это так, то совместное использование данных в формате словаря будет намного проще воспроизвести
2. Я отредактирую сообщение.
3. Проверьте еще раз @sammywemmy, я надеюсь, что это объяснено лучше.
4. Нам было бы проще, если бы вы показали содержимое вашего исходного фрейма данных в виде словаря. Вы можете сделать это с помощью этого:
df.to_dict('list')5. Опубликовал словарь моего df @Bill
Ответ №1:
Я думаю, это должно сработать:
# Make a sorted multi-index
df_sorted = df.set_index(['team','rec_yards']).sort_index(ascending=False)
# Add a dummy column containing all 1s
df_sorted['count'] = 1
# Turn it into a ranking by team
df_sorted['count'] = df_sorted.groupby('team')['count'].cumsum()
# Only keep the first n rows per team
n = 4
df_sorted = df_sorted.loc[df_sorted['count'] <= n]
# Re-arrange it however you prefer
df_sorted.reset_index().set_index(['team','count'])
Вывод:
rec_yards full_name
team count
WAS 1 919 Terry McLaurin
2 332 Kelvin Harmon
3 245 Paul Richardson
4 198 Trey Quinn
TEN 1 927 A.J. Brown
2 557 Corey Davis
3 374 Adam Humphries
4 170 Kalif Raymond
TB 1 1333 Chris Godwin
2 1157 Mike Evans
Ответ №2:
Вы также можете использовать head метод с df.groupby :
df.sort_values(['team','rec_yards'], ascending=False).groupby('team').head(4)
Вывод:
full_name rec_yards team
21 Terry McLaurin 919 WAS
81 Kelvin Harmon 332 WAS
76 Paul Richardson 245 WAS
93 Trey Quinn 198 WAS
20 A.J. Brown 927 TEN
57 Corey Davis 557 TEN
68 Adam Humphries 374 TEN
118 Kalif Raymond 170 TEN
1 Chris Godwin 1333 TB
10 Mike Evans 1157 TB
(Возможно, было бы хорошей идеей повторно проиндексировать фрейм данных после этого).
Лучшим решением было бы, если бы существовал способ использовать pd.DataFrame.nlargest с фреймом данных groupby, но, насколько я могу судить, вы не можете (есть, SeriesGroupBy.nlargest но не DataFrameGroupBy.nlargest ). Вы можете сделать это с помощью DataFrame.nlargest метода GroupBy.apply, но я протестировал его, и он довольно неэффективен:
df.groupby('team').apply(pd.DataFrame.nlargest, 4, columns=['rec_yards'])
Вывод:
full_name rec_yards team count
team
ARI 27 Larry Fitzgerald 759 ARI 1
34 Christian Kirk 649 ARI 1
89 Damiere Byrd 285 ARI 1
92 Pharoh Cooper 219 ARI 1
ATL 3 Julio Jones 1316 ATL 1
19 Calvin Ridley 866 ATL 1
67 Russell Gage 378 ATL 1
117 Justin Hardy 155 ATL 1
BAL 39 Marquise Brown 569 BAL 1
82 Seth Roberts 271 BAL 1
Примечание: Вторым уровнем мультииндексации здесь является исходное значение индекса в df .