根据数据框中的模式提取行

Question

我正在学习 Python，并且正在研究这样一个数据集：

**Col1**                                 **Col2**      **Col3**      **Col4**  
dog                                        Z             st02          0
dog,cat                                    Z             st02          1
dog,bat,cat                                Z             st02          2
bat,cat,elephant                           Y             st02          2
dog,bat,cat,elephant                       Y             st02          3
tiger                                      Z             st01          0
lion,leopard,cheetah                       Z             st01          2
tiger,lion,leopard,cheetah                 Z             st01          3
dog,tiger,cheetah                          Y             st01          2
dog,tiger,leopard,cheetah                  Y             st01          3
eagle,jaguar,Kangaroo,zebra                Z             st02          3
cheetah,eagle,jaguar,Kangaroo,zebra        Z             st02          4

预期的输出是：

**Col1**                                 **Col2**       **Col3**      **Col4**
dog,bat,cat                                Z              st02          2
dog,bat,cat,elephant                       Y              st02          3
tiger,lion,leopard,cheetah                 Z              st01          3
dog,tiger,leopard,cheetah                  Y              st01          3
cheetah,eagle,jaguar,Kangaroo,zebra        Z              st02          4

为了提取上述行作为输出，我尝试跟踪模式并使用以下逻辑：

data = pd.read_excel("data.xlsx")
data['Col4'] = data['Col1'].str.count(',')
v1 = []
v2 = []
v1.append(0)
v2.append(0)
for i in range(0,data.shape[0]-1):
    x = data['Col_2'][i]
    y = data['Col_2'][i+1]
    t1 = data['Col_3'][i]
    t2 = data['Col_3'][i+1]
    g1 = (x == y) & (t1==t2)
    d1 = data['Col_1'][i]
    d2 = data['Col_1'][i+1]
    c1 = data['Col_4'][i]
    c2 = data['Col_4'][i+1]
    flag = 0
    if(all(x in d2 for x in d1)):
      flag = 1
    g2 = (flag == 1)&(c2>c1)
    v1.append(g1)
    v2.append(g2)
    data['new_cond1'] = v1   
    data['new_cond2'] = v2   
    data['Final_flag'] = (data['new_cond1']==True)&(data['new_cond2']==True) 
    data_output = data[data['Final_flag']==True]  

但我最终没有得到预期的输出，而是输出中还存在一些额外的行。有人可以帮我提取预期输出中提到的行。

更新 2：

当我将以下内容添加到上述数据框时：

**Col1**                                 **Col2**      **Col3**      **Col4**  
  pigeon                                   Z             st01          0
  pigeon,parrot                            Z             st01          1
  dove,parrot                              Z             st01          1
  pigeon,parrot                            Z             st01          1
  pigeon,parrot,dove                       Z             st01          2

预期的结果还包括：

pigeon,parrot,dove                         Z             st01          2

虽然 "pigeon,parrot,dove" 行的 max(Col4) 不大于连续组内的最大计数 (Col4)，但它仍包含在输出中。 我认为这是因为 Col1 的类别也很重要。也就是说，由于新添加的行具有不同类别的单词“pigeon,parrot,dove”。

提前致谢！

Answer 1

如果想要Col2 和Col2 和Col3 的每个连续组的Col1 中的最大, 行，请使用：

g = df[['Col2','Col3']].ne(df[['Col2','Col3']].shift()).any(1).cumsum()
df1 = df.loc[df.groupby(g)['Col4'].idxmax()]
print (df1)
                                   Col1 Col2  Col3  Col4
2                           dog,bat,cat    Z  st02     2
4                  dog,bat,cat,elephant    Y  st02     3
7            tiger,lion,leopard,cheetah    Z  st01     3
9             dog,tiger,leopard,cheetah    Y  st01     3
11  cheetah,eagle,jaguar,Kangaroo,zebra    Z  st02     4

编辑：

df = pd.DataFrame({'Col1': ['dog', 'dog,cat', 'dog,bat,cat', 'bat,cat,elephant', 'dog,bat,cat,elephant', 'tiger', 'lion,leopard,cheetah', 'tiger,lion,leopard,cheetah', 'dog,tiger,cheetah', 'dog,tiger,leopard,cheetah', 'eagle,jaguar,Kangaroo,zebra', 'cheetah,eagle,jaguar,Kangaroo,zebra', 'pigeon', 'pigeon,parrot', 'dove,parrot', 'pigeon,parrot', 'pigeon,parrot,dove'], 'Col2': ['Z', 'Z', 'Z', 'Y', 'Y', 'Z', 'Z', 'Z', 'Y', 'Y', 'Z', 'Z', 'Z', 'Z', 'Z', 'Z', 'Z'], 'Col3': ['st02', 'st02', 'st02', 'st02', 'st02', 'st01', 'st01', 'st01', 'st01', 'st01', 'st02', 'st02', 'st01', 'st01', 'st01', 'st01', 'st01'], 'Col4': [0, 1, 2, 2, 3, 0, 2, 3, 2, 3, 3, 4, 0, 1, 1, 1, 2]})

---

print (df)
                                   Col1 Col2  Col3  Col4
0                                   dog    Z  st02     0 <group1
1                               dog,cat    Z  st02     1
2                           dog,bat,cat    Z  st02     2

3                      bat,cat,elephant    Y  st02     2 <group2
4                  dog,bat,cat,elephant    Y  st02     3

5                                 tiger    Z  st01     0 <group3
6                  lion,leopard,cheetah    Z  st01     2
7            tiger,lion,leopard,cheetah    Z  st01     3

8                     dog,tiger,cheetah    Y  st01     2 <group4
9             dog,tiger,leopard,cheetah    Y  st01     3

10          eagle,jaguar,Kangaroo,zebra    Z  st02     3 <group5
11  cheetah,eagle,jaguar,Kangaroo,zebra    Z  st02     4

12                               pigeon    Z  st01     0 <group6
13                        pigeon,parrot    Z  st01     1
14                          dove,parrot    Z  st01     1
15                        pigeon,parrot    Z  st01     1
16                   pigeon,parrot,dove    Z  st01     2

---

g = df[['Col2','Col3']].ne(df[['Col2','Col3']].shift()).any(1).cumsum()
df1 = df.loc[df.groupby(g)['Col4'].idxmax()]
print (df1)
                                   Col1 Col2  Col3  Col4
2                           dog,bat,cat    Z  st02     2
4                  dog,bat,cat,elephant    Y  st02     3
7            tiger,lion,leopard,cheetah    Z  st01     3
9             dog,tiger,leopard,cheetah    Y  st01     3
11  cheetah,eagle,jaguar,Kangaroo,zebra    Z  st02     4
16                   pigeon,parrot,dove    Z  st01     2