Python Pandas：获取给定列的唯一行，但以其他列的某些条件为条件

我正在使用python 2.7。根据给定数据，如下所示：

data = pd.DataFrame({'id':['001','001','001','002','002','003','003','003','004','005'],
                   'status':['ground','unknown','air','ground','unknown','ground','unknown','unknown','unknown','ground'],
                   'value':[10,-5,12,20,-12,2,-4,-1,0,6]})

数据如下所示：

id     status     value
001    ground       10
001    unknown      -5
001    air          12
002    ground       20
002    unknown     -12
003    ground        2
003    unknown      -4
003    unknown      -1
004    unknown       0
005    ground        6

我希望在dataframe中获得具有唯一id的输出，该输出符合以下条件：对于给定id

 'status': If 'air' does exist, pick 'air'.
           If 'air' does not exist, pick 'ground'.  
           If both 'air' and 'ground' do not exist, pick 'unknown'.

 'value': Sum of values for each id
 'count': Count the number of rows for each id

因此，预期输出如下

id     status     value     count
001     air        17        3
002    ground       8        2
003    ground      -3        3
004    unknown      0        1
005    ground       6        1

---

我可以为每个唯一的id做循环，但它不够优雅，计算也很昂贵，尤其是当数据变得很大时。我可以知道更好的pythonic风格和更有效的方法来产生这个输出吗？提前感谢。

一个选项是将状态列的类型更改为类别，并根据groupby.agg中的类型进行排序：

df['status'] = df['status'].astype('category', categories=['air', 'ground', 'unknown'], ordered=True)

df.sort_values('status').groupby('id').agg({'status': 'first', 'value': ['sum', 'count']})
Out: 
      status value      
       first   sum count
id                      
001      air    17     3
002   ground     8     2
003   ground    -3     3
004  unknown     0     1
005   ground     6     1

---

这里，由于值是按

'air'

、

'ground'

和

'unknown'

顺序排序的，

'first'

返回正确的值。如果您不想更改类型，您可以定义自己的函数，该函数返回

air

/

ground

/

unknown

，而不是

'first'

，您可以传递该函数。

一个选项是将状态列的类型更改为category，并根据groupby.agg中的类型进行排序：

df['status'] = df['status'].astype('category', categories=['air', 'ground', 'unknown'], ordered=True)

df.sort_values('status').groupby('id').agg({'status': 'first', 'value': ['sum', 'count']})
Out: 
      status value      
       first   sum count
id                      
001      air    17     3
002   ground     8     2
003   ground    -3     3
004  unknown     0     1
005   ground     6     1

---

这里，由于值是按

'air'

、

'ground'

和

'unknown'

顺序排序的，

'first'

返回正确的值。如果您不想更改类型，您可以定义自己的函数，该函数返回

air

/

ground

/

unknown

，而不是

'first'

，您可以传递该函数。

您想在id上使用

groupby

。这对于值和计数来说很容易，但对于状态来说更复杂。我们需要编写自己的函数，它接受一个系列并返回一个属性

def group_status(x):
    if (x=='air').any():
        y = 'air'
    elif (x=='ground').any():
        y = 'ground'
    else:
        y = 'unknown'
    return y

data = data.groupby(by='id').agg({'value': ['sum', 'count'], 'status': [group_status]})
data.columns = ['status', 'value', 'count']

print(data)

     status  value  count
id          
001  air      17     3
002  ground   8      2
003  ground   -3     3
004  unknown  0      1
005  ground   6      1

在这里，我们确保了空中、地面、未知的秩序得以保留，而无需将列类型更改为分类，正如ayhan非常优雅的回答中所述

---

如果您希望合并更高级的groupby功能，

group\u status（）

函数确实为您奠定了基础。

您希望在id上使用

groupby

。这对于值和计数来说很容易，但是对于状态来说更复杂。我们需要编写自己的函数，它接受一个系列并返回一个属性

def group_status(x):
    if (x=='air').any():
        y = 'air'
    elif (x=='ground').any():
        y = 'ground'
    else:
        y = 'unknown'
    return y

data = data.groupby(by='id').agg({'value': ['sum', 'count'], 'status': [group_status]})
data.columns = ['status', 'value', 'count']

print(data)

     status  value  count
id          
001  air      17     3
002  ground   8      2
003  ground   -3     3
004  unknown  0      1
005  ground   6      1

在这里，我们确保了空中、地面、未知的秩序得以保留，而无需将列类型更改为分类，正如ayhan非常优雅的回答中所述

---

group\u status（）

函数确实为您加入更高级的groupby功能奠定了基础。

分类列不是按字母顺序排序的，而是按传递给

.astype

的顺序排序的。所以如果你把它改成['ground'，'air'，'unknown'，]，ground将是第一个值，如果它存在的话。我不知道。知道这一点当然很有用。我读的是“你的例子是有序的”，忽略了第一行代码。我将稍微编辑一下我的答案。分类列不是按字母顺序排列的，而是按传递给

.astype

的顺序排列的。所以如果你把它改成['ground'，'air'，'unknown'，]，ground将是第一个值，如果它存在的话。我不知道。知道这一点当然很有用。我读的是“你的例子是有序的”，忽略了第一行代码。我将略加修改我的答案。