Groupby 并根据熊猫数据框中的其他列比较/过滤特定组

Question

我有一个像这样的df：

number   city        date
1        Denver_1     2019-01-14
1        Denver_1     2019-01-15
1        Denver_1     2019-01-16
1        Denver_2     2019-03-28
1        Denver_2     2019-03-29
2        Denver_1     2019-05-14
2        Denver_1     2019-05-15
2        Denver_1     2019-05-16
2        Denver_2     2019-01-28
2        Denver_2     2019-01-29
2        Seattle      2019-03-22
2        Seattle      2019-03-22
3        Denver_2     2019-05-28
3        Denver_2     2019-05-29
3        Seattle      2019-03-21
3        Seattle      2019-03-21

我想按 数字 分组并选择 Denver 与较高的日期 并离开 Seattle 的方式它们是因为它们不像 Denver 那样重复。 我想要的结果如下：

number   city        date
1        Denver_2     2019-03-28
1        Denver_2     2019-03-29
2        Denver_1     2019-05-14
2        Denver_1     2019-05-15
2        Denver_1     2019-05-16
2        Seattle      2019-03-22
2        Seattle      2019-03-22
3        Denver_2     2019-05-28
3        Denver_2     2019-05-29
3        Seattle      2019-03-21
3        Seattle      2019-03-21

我试过了：

df2 = df.groupby(['number']).apply(lambda x: x['city'].unique())

number
1       [Denver_1, Denver_2]
2       [Denver_1, Denver_2, Seattle]

它向我显示了每个数字的不同城市，但我不知道如何将最大日期过滤器添加到其中并将其应用于主 df。

我看到的使用 groupby().filter() 的其他示例将摆脱 Seattle 在我的情况下。

Answer 1

很遗憾，由于规则不同，我认为您需要分别处理丹佛和西雅图：

加载您的示例数据：

s = '''number   city        date
1        Denver_1     2019-01-14
1        Denver_1     2019-01-15
1        Denver_1     2019-01-16
1        Denver_2     2019-03-28
1        Denver_2     2019-03-29
2        Denver_1     2019-05-14
2        Denver_1     2019-05-15
2        Denver_1     2019-05-16
2        Denver_2     2019-01-28
2        Denver_2     2019-01-29
2        Seattle      2019-03-22
2        Seattle      2019-03-22
3        Denver_2     2019-05-28
3        Denver_2     2019-05-29
3        Seattle      2019-03-21
3        Seattle      2019-03-21'''


df = pd.DataFrame.from_csv(io.StringIO(s), sep='\s+')
df['date'] = pd.to_datetime(df['date'])
df =df.reset_index()

解决方案：

selector = lambda x: x.loc[x['city'] == x.loc[x['date'].idxmax(), 'city']]
denvers = df[df['city'].str.contains('Denver')].groupby('number', as_index=False).apply(selector)
seattles = df[df['city'].str.contains('Seattle')]

pd.concat([denvers.reset_index(level=0, drop=True), seattles], axis = 0).sort_index()

输出：

    number      city       date
3        1  Denver_2 2019-03-28
4        1  Denver_2 2019-03-29
5        2  Denver_1 2019-05-14
6        2  Denver_1 2019-05-15
7        2  Denver_1 2019-05-16
10       2   Seattle 2019-03-22
11       2   Seattle 2019-03-22
12       3  Denver_2 2019-05-28
13       3  Denver_2 2019-05-29
14       3   Seattle 2019-03-21
15       3   Seattle 2019-03-21