C# 对数据帧的查询

我有以下数据：

Id | PrimaryName | SecondaryName | Value
---+-------------+---------------+-------
 0 | PN0         | SN0           | 3
 1 | PN0         | SN1           | 5
 2 | PN0         | SN2           | 6
 3 | PN1         | SN3           | 5
 4 | PN1         | SN4           | 6
 5 | PN1         | SN5           | 7
 6 | PN2         | SN6           | 1
 7 | PN2         | SN7           | 2
 8 | PN2         | SN8           | 3

实际上，它类似于一个键值对，

SecondaryName

作为键，

value

as，hm，value，还有一列

PrimaryName

。 我的任务是，通过只查看每个

PrimaryName

值最大的两个条目，确定两个最大的

PrimaryName

s

例如，对于

PN0

两个最大值是5和6，对于

PN1

是6和7，对于

PN2

是2和3。这意味着最大的

PrimaryName

s是

PN0

，得分为11，而

PN1

的得分为13。
理想的结果只是一个有序的

PrimaryName

s=>

['PN1'，'PN0']

作为一个相当精通C#的人，这看起来是一项非常简单的任务，可以通过以下查询来解决：

var result = table.GroupBy(r => r.PrimaryName)
    .Select(g => new
    {
        PrimaryName = g.Key,
        Value =  g.OrderByDescending(e => e.Value).Take(2).Sum(e => e.Value)
    })
    .OrderByDescending(e => e.Value)
    .Take(2)
    .Select(e => e.PrimaryName)
    .ToList();

但现在我必须用Python，特别是熊猫来重复它

到目前为止，我只想到了一个问题的以下部分：

df.groupby('PrimaryName')[['PrimaryName', 'Value']]

我怀疑，要像我在这C行中那样执行计算，我必须定义一个带有临时列的新数据帧，但我不确定具体是如何定义的

谁能帮我一下吗

---

实际上，这个问题还有一点。这项任务是关于熊猫的课程的一部分，根据

groupby

是下一周的主题这一事实判断，我可能走错了路，或者至少我可能遗漏了一些简单而明显的东西。

使用double-first获取

2

顶级值，然后使用

sum

首先计算它们，然后再计算另一个前2个索引值：

L = df.groupby('PrimaryName')['Value']
      .apply(lambda x: x.nlargest(2).sum())
      .nlargest(2)
      .index
      .tolist()
print (L)
['PN1', 'PN0']

详情：

print (df.groupby('PrimaryName')['Value'].apply(lambda x: x.nlargest(2).sum()))
PrimaryName
PN0    11
PN1    13
PN2     5
Name: Value, dtype: int64

或：

你可以

In [5181]: (df.groupby(['PrimaryName'])['Value']
              .nlargest(2)
              .sum(level=0)
              .nlargest(2)
              .index.tolist())
Out[5181]: ['PN1', 'PN0']

---

细节

In [5185]: df.groupby(['PrimaryName'])['Value'].nlargest(2)
Out[5185]:
PrimaryName
PN0          2    6
             1    5
PN1          5    7
             4    6
PN2          8    3
             7    2
Name: Value, dtype: int64

In [5186]: df.groupby(['PrimaryName'])['Value'].nlargest(2).sum(level=0)
Out[5186]:
PrimaryName
PN0    11
PN1    13
PN2     5
Name: Value, dtype: int64

In [5187]: df.groupby(['PrimaryName'])['Value'].nlargest(2).sum(level=0).nlargest(2)
Out[5187]:
PrimaryName
PN1    13
PN0    11
Name: Value, dtype: int64

---

@事实上，我做到了：

['PN1'，'PN0']

好吧，谢谢你，Zero，谢谢你的详细解释！现在，多亏了你，我才能够更好地理解这些功能！干杯

In [5185]: df.groupby(['PrimaryName'])['Value'].nlargest(2)
Out[5185]:
PrimaryName
PN0          2    6
             1    5
PN1          5    7
             4    6
PN2          8    3
             7    2
Name: Value, dtype: int64

In [5186]: df.groupby(['PrimaryName'])['Value'].nlargest(2).sum(level=0)
Out[5186]:
PrimaryName
PN0    11
PN1    13
PN2     5
Name: Value, dtype: int64

In [5187]: df.groupby(['PrimaryName'])['Value'].nlargest(2).sum(level=0).nlargest(2)
Out[5187]:
PrimaryName
PN1    13
PN0    11
Name: Value, dtype: int64