使用 groupby 的结果过滤 pandas 数据框

Question

我有一个大数据框（40M 行），如果值满足 groupby 对象中的条件，我想根据一列过滤掉行。

例如，这里有一些随机数据。 “字母”列实际上会有数千个唯一值：

     x   y   z  letter
0   47  86  30  e
1   58   9  28  b
2   96  59  42  a
3   79   6  45  e
4   77  80  37  d
5   66  91  35  d
6   96  31  52  d
7   56   8  26  e
8   78  96  14  a
9   22  60  13  e
10  75  82   9  d
11   5  54  29  c
12  83  31  40  e
13  37  70   2  c
14  53  67  66  a
15  76  33  78  d
16  64  67  81  b
17  23  94   1  d
18  10   1  31  e
19  52  11   3  d

在“字母”列上应用 groupby，得到每个字母的 x 列的总和：

df.groupby('letter').x.sum()
>>> a    227
    b    122
    c     42
    d    465
    e    297

然后，我排序以查看总和最高的字母，并手动识别阈值。在此示例中，阈值可能为 200。

df.groupby('letter').x.sum().reset_index().sort_values('x', ascending=False)
>>> letter    x
3      d  465
4      e  297
0      a  227
1      b  122
2      c   42

这就是我卡住的地方。在原始数据框中，如果“x”列的 groupby 总和 > 200，我想保留字母，并删除其他行。所以在这个例子中，它将保留所有带有 d、e 或 a 的行。

我正在尝试这样的事情，但它不起作用：

df.groupby('letter').x.sum().filter(lambda x: len(x) > 200)

即使我过滤了 groupby 对象，我如何使用它来过滤原始数据框？

Answer 1

您可以使用 groupby transform 计算每行 x 的总和，并创建一个逻辑系列，其中您可以使用该条件执行子集：

df1 = df[df.x.groupby(df.letter).transform('sum') > 200]

df1.letter.unique()
# array(['e', 'a', 'd'], dtype=object)

或者使用groupby.filter的另一个选项：

df2 = df.groupby('letter').filter(lambda g: g.x.sum() > 200)

df2.letter.unique()
# array(['e', 'a', 'd'], dtype=object)