Python 熊猫：如何按组选择每组的第一行？

基本上和大熊猫一样

df = pd.DataFrame({'A' : ['foo', 'foo', 'foo', 'foo', 'bar', 'bar', 'bar', 'bar'],
                'B' : ['3', '1', '2', '4','2', '4', '1', '3'],
                    })

排序看起来很有希望：

df.sort('B')

     A  B
1  foo  1
6  bar  1
2  foo  2
4  bar  2
0  foo  3
7  bar  3
3  foo  4
5  bar  4

但是第一次不会得到想要的结果。。。 df.groupby（'A'）.first（）

---

通常，如果您希望数据按groupby排序，但它不是要分组的列之一，则最好在执行

groupby

之前使用df：

In [5]:
df.sort_values('B').groupby('A').first()

Out[5]:
     B
A     
bar  1
foo  1

该函数可以用于您想要的内容，但它实际上是用于聚合的。这是一个简单的“先发制人”操作

您实际需要的是函数，默认情况下，该函数将返回第一行。通常你会考虑GROPPEBY，你应该作为子集=变量

df.drop_duplicates(subset='A')

你应该做你想做的

另外，

df.sort（'A'）

不会对数据帧df进行排序，而是返回一个已排序的副本。如果要对其进行排序，必须添加

inplace=True

参数

df.sort('A', inplace=True)

---

下面是另一种使用

groupby（）.rank（）的方法

：

对于OP的示例数据帧，这将为您提供与@EdChum相同的答案，但如果您在排序过程中有任何联系，则可能会给出不同的答案，例如，使用以下数据：

df = pd.DataFrame({'A': ['foo', 'foo', 'bar', 'bar'], 
                   'B': ['2', '1', '1', '1'] })

在这种情况下，您可以使用可选的

方法

参数选择一些选项，具体取决于您希望如何处理排序关系：

df[ df.groupby('A')['B'].rank(method='average') == 1 ]   # the default
df[ df.groupby('A')['B'].rank(method='min')     == 1 ]
df[ df.groupby('A')['B'].rank(method='first')   == 1 ]   # doesn't work, not sure why

如果需要对每个组运行计算，通常使用（请参阅：）

如果只想为列（或列的唯一组合）的每个唯一值保留第一行，则可以使用（或）进行排序，然后使用保留每个第一次出现的值

这种方法提供了一种无损的结果，其中初始数据帧结构和索引保持不变：

    A   B
4   bar 2
0   foo 3

可能并不总是按预期工作。使用

nth（0）

代替

first（）

方法
first（）
受到多年未解决问题的影响。而不是预期的行为，
first（）
返回每个组中每列中未缺少的第一个元素，即忽略NaN值。例如，假设第三列缺少一些值：

df = pd.DataFrame({'A' : ['foo', 'foo', 'bar', 'bar', 'bar'],
                   'B' : ['1', '2','2', '4', '1'],
                   'C' : [np.nan, 'X', 'Y', 'Y', 'Y']})

    A   B   C
0   foo 1   NaN
2   foo 2   X
3   bar 2   Y
4   bar 4   Y
5   bar 1   Y

在这里使用
first（）
（排序后，就像EdChum在回答中正确评估一样）将跳过缺少的值（注意它是如何将不同行的值混合在一起的）：

获取整行（包括缺少的值）的正确方法是使用
n（0）
，它执行预期的操作：

df.sort_values('B').groupby('A').nth(0)

    B   C
A       
bar 1   Y
foo 1   NaN

为完整起见，此错误还影响
last（）
，其正确替代项为
nth（-1）

在回答中发布此消息，因为它太长，无法发表评论。不确定这是否在问题的范围内，但我认为这与许多人寻找这个答案有关（就像我在写这篇文章之前一样），而且很容易错过。
谢谢@firelynx，但我真正想要的是
df.sort（'B'）.groupby（'A'）.first（）
hey，我更喜欢@JohnE的方法，因为它更干净，更像SQL。也许在pandas中，您可以依靠排序在通过另一列（timsort？）分组后保持稳定，但它不像
rank
syntax@ihadanny. 我完全同意，这是一个糟糕的想法。问题是
df.sort（'B'）
返回df的一个排序副本，它不会改变df本身。如果要更改df，需要执行以下操作之一：
df=df.sort\u值（'B'）
或
df.sort\u值（inplace=True）
。（熊猫现在使用
sort\u values
而不是
sort
）注意-您可以通过输入
.sort\u values（）
和
.drop\u duplicates（）
列名列表来保持每个第一个唯一的组合。
.drop\u duplicates（）
中
keep
参数的默认值为“first”。明确地设置它是可选的，但可以在这样的上下文中提高可读性。这个答案可能是2020年初该线程中最重要的。pandas聚合的长期缺陷是如此的沉默，以至于它似乎可以工作，直到您真正仔细地检查您的输出——特别是使用大型数据集时。很高兴nth（）提供了一个快速的解决方法
    A   B
4   bar 2
0   foo 3

df = pd.DataFrame({'A' : ['foo', 'foo', 'bar', 'bar', 'bar'],
                   'B' : ['1', '2','2', '4', '1'],
                   'C' : [np.nan, 'X', 'Y', 'Y', 'Y']})

    A   B   C
0   foo 1   NaN
2   foo 2   X
3   bar 2   Y
4   bar 4   Y
5   bar 1   Y

df.sort_values('B').groupby('A').first()

    B   C
A       
bar 1   Y
foo 1   X

df.sort_values('B').groupby('A').nth(0)

    B   C
A       
bar 1   Y
foo 1   NaN