Python 使用“应用”删除组中的重复项

我已经成功地通过它们的临时近邻合并了两个数据帧。我当前的中间结果如下所示：

                     merge_key              jd  var2               index  distance  
2010-01-01 00:00:00          0  2455197.500000     0 2010-01-01 00:00:00      0
2010-01-01 00:06:00          0  2455197.500000     0 2010-01-01 00:00:00   -360
2010-01-01 00:12:00          0  2455197.500000     0 2010-01-01 00:00:00   -720
2010-01-01 00:18:00          1  2455197.517361     1 2010-01-01 00:25:00    420
2010-01-01 00:24:00          1  2455197.517361     1 2010-01-01 00:25:00     60
2010-01-01 00:30:00          1  2455197.517361     1 2010-01-01 00:25:00   -300
2010-01-01 00:36:00          1  2455197.517361     1 2010-01-01 00:25:00   -660
2010-01-01 00:42:00          2  2455197.534722     2 2010-01-01 00:50:00    480
2010-01-01 00:48:00          2  2455197.534722     2 2010-01-01 00:50:00    120
2010-01-01 00:54:00          2  2455197.534722     2 2010-01-01 00:50:00   -240

在下一步中，我将删除重复的条目，并仅选择那些具有最小距离的条目。我想到了：

df.groupby("merge_key").apply(lambda x: x.ix[np.abs(x['distance']).idxmin()])

然而，这导致：

          merge_key       jd var2                index distance
merge_key                                                      
0                 0  2455198    0  2010-01-01 00:00:00        0
1                 1  2455198    1  2010-01-01 00:25:00       60
2                 2  2455198    2  2010-01-01 00:50:00      120

似乎“jd”的数据类型已更改为整数？我也不想把merge_键作为新索引

我期望的输出实际上是：

                     merge_key              jd  var2               index  distance  
2010-01-01 00:00:00          0  2455197.500000     0 2010-01-01 00:00:00      0
2010-01-01 00:24:00          1  2455197.517361     1 2010-01-01 00:25:00     60
2010-01-01 00:48:00          2  2455197.534722     2 2010-01-01 00:50:00    120

---

如果使用稍微简单的方法执行此操作，则会得到正确的结果：

In [11]: g = df.groupby('merge_key')

In [12]: min_dists = g.distance.apply(lambda x: x.abs().idxmin())

In [13]: min_dists
Out[13]:
merge_key
0            0
1            4
2            8
dtype: int64

In [14]: df.iloc[min_dists]
Out[14]:
                  date  merge_key              jd  var2                index  distance
0  2010-01-01 00:00:00          0  2455197.500000     0  2010-01-01 00:00:00         0
4  2010-01-01 00:24:00          1  2455197.517361     1  2010-01-01 00:25:00        60
8  2010-01-01 00:48:00          2  2455197.534722     2  2010-01-01 00:50:00       120

---

我认为这可能是一个bug，因此可能值得打开。

非常感谢！作为旁注，您使用了连续的数字作为索引，而我使用了日期作为索引，这意味着在

min\u dist

中不是位置而是日期。然后必须使用函数

df.ix[min\u dists]

。在本例中，read\u table和StringIO将此数据读入df的正确语法是什么？谢谢我不确定我是否明白你的意思，但是如果你问我如何从上面的问题中得到这个数据帧，答案是

read\u clipboard

：）我将表复制并粘贴到一个名为raw的字符串中。然后我尝试了df=pd.read_table的各种组合（StringIO（raw）、header=True、delim_whitespace=True），但我没有得到它。谢谢您的回复。@julieth Ah由于日期包含空格（您不想将其用作分隔符），所以我想我使用了

read_剪贴板（sep='\s\s+）

（至少两个空格）。否则，我认为您的StringIO解决方案也会起作用。