Python 在数据帧中查找重复值的计数和排序

我有一个熊猫数据框，有很多列，其中两列是“电影标题”和“年龄”，我想找到排名前5位的电影，它们的平均年龄最低，但只包括至少有100个收视率的电影（所以至少有100行）

例如：

movie title      age

Title 1          10
Title 2          12
Title 2          12
Title 3          13
Title 3          13
Title 3          13

应成为：

movie title     # of ratings     avg age

Title 1         1                    10
Title 2         2                    12
Title 3         3                    13

它可以在相同的数据帧中，也可以在新的数据帧中。谢谢你的帮助

说你喜欢

agg = df.age.groupby([df['movie title']]).agg({'ave_age': 'mean', 'size': 'size'})

您将得到一个包含列

ave_age

和

size

的数据框

agg[agg['size'] > 100]

将只提供那些用户数超过100的用户。从这里开始，按累计平均年龄排序，排在前5位。它应该是这样的：

agg[agg['size'] > 100].sort_values(by='ave_age', ascending=True).head(5)

---

如果电影标题计数超过100，过滤器将为每部电影创建一个设置为True的标志，否则设置为False

n = 100
filter = (df.groupby(['movie title'])['age']
          .transform(lambda group: group.count()) >= n)

鉴于示例数据的大小较小，我将

n

设置为2并创建我的过滤器

现在我只需筛选计数超过

n

的电影，计算每组的平均年龄，然后取最小的五个（即最低年龄）

---

看看群比。我相信

df.title

会抛出一个错误，并且无论如何都不需要。另外，

size

是数据帧属性，因此您可能需要使用不同的变量名

ascending=True

是默认的参数值，因此不是必需的，但是显式表示也没有什么坏处。谢谢，@Alexander你是对的-更正了。我相信

pd.read\u clipboard（）

在这个特定的例子中做了一些奇怪的事情。因此，我做了一些修改，显然弄错了一个。我相信你们想要

agg=df.groupby（'movietitle'）。age.agg（…）

谢谢，伙计们@Alexander，不幸的是，我只能对你的答案投一次赞成票。我确实喜欢这两种解决方案，所以我想比较它们的速度：Ami的-

100个循环，每个循环最好3:6.56毫秒，Alexander的-
100个循环，最佳3:16.9毫秒/循环
在groupby之后是否可以直接使用“筛选”方法？在我运行该方法时，它似乎不会筛选出评级低于100的电影？如果数据帧只有“电影标题”和“年龄”列，则该方法有效。请参见上面的“编辑”以获取修复。
>>> df[filter.values].groupby('movie title').age.mean().nsmallest(5)
movie title
Title 2    12
Title 3    13
Name: age, dtype: int64