Python 在两个值之间进行选择，并设置数据帧中最频繁的值

我最近问了一个问题，但现在我有一个新问题。这是我的数据框：

df = pd.DataFrame({'id':[1,1,1,1,2,2,2,3,3,3,4,4],
              'sex': [0,0,0,1,0,0,0,1,1,0,1,1]})

    id  sex
0   1   0
1   1   0
2   1   0
3   1   1
4   2   0
5   2   0
6   2   0
7   3   1
8   3   1
9   3   0
10  4   1
11  4   1

现在我需要为混合性别值的id设置性别值。它应该是最常见的值。所以我想得到这样的东西：

    id  sex
0   1   0
1   1   0
2   1   0
3   1   0
4   2   0
5   2   0
6   2   0
7   3   1
8   3   1
9   3   1
10  4   1
11  4   1

在那之后，我只想得到一对身份证-性伴侣：

id  sex
0   1   0
1   2   0
2   3   1
3   4   1

---

选项1
您可以使用

groupby

后跟

value\u counts

和

idxmax

df = df.set_index('id').groupby(level=0).sex\
          .apply(lambda x: x.value_counts().idxmax()).reset_index()
df

   id  sex
0   1    0
1   2    0
2   3    1
3   4    1

---

选项2
与选项1类似，但分两步，使用

drop\u duplicates

df.sex = df.groupby('id').sex.transform(lambda x: x.value_counts().idxmax())
df

    id  sex
0    1    0
1    1    0
2    1    0
3    1    0
4    2    0
5    2    0
6    2    0
7    3    1
8    3    1
9    3    1
10   4    1
11   4    1

df = df.drop_duplicates()
df

    id  sex
0    1    0
4    2    0
7    3    1
10   4    1

使用默认排序，因此

[0]

只需选择第一个索引：

df = df.groupby('id')['sex'].apply(lambda x: x.value_counts().index[0]).reset_index()
print (df)
   id  sex
0   1    0
1   2    0
2   3    1
3   4    1

---

您也可以使用

np.bincount

In [179]: df.groupby('id')['sex'].apply(lambda x: np.argmax(np.bincount(x))).reset_index()
Out[179]:
   id  sex
0   1    0
1   2    0
2   3    1
3   4    1

时间安排

In [194]: df = pd.concat([df]*1000, ignore_index=True)

In [195]: df.shape
Out[195]: (12000, 2)

In [196]: %timeit df.groupby('id')['sex'].apply(lambda x: np.argmax(np.bincount(x))).reset_index()
100 loops, best of 3: 2.48 ms per loop

In [197]: %timeit df.groupby('id')['sex'].apply(lambda x: x.value_counts().index[0]).reset_index()
100 loops, best of 3: 4.55 ms per loop

In [198]: %timeit df.set_index('id').groupby(level=0).sex.apply(lambda x: x.value_counts().idxmax()).reset_index()
100 loops, best of 3: 6.71 ms per loop

---

我想用这个。。。但我做得不对，所以放弃了。谢谢你给我指明了正确的方法。如果你正在进行基准测试，你能同时对我的选项2进行基准测试吗？谢谢。@JohnGalt-我认为分组计时有点问题-只有少量的分组使用。更好的是df有更多的分类。@jezrael——好的观点，我同意，如果可以的话，请这样做。然而，我敢打赌bincount在大多数合理的情况下都会很快。似乎只使用

mode（）

方法会更简单（可能不会更快）：

df.groupby（by=['id']）。apply（lambda x:x.mode（））。reset_index（drop=True）

谢谢！“这真的很有帮助。”伦顿干杯。