Python 使用具有特定值计数的GroupBy筛选数据帧

我想将一个数据帧过滤到特定行的组具有特定列值的最小计数的行

例如，仅返回df的行/组，['c2'，'c3']组至少有2行且'c1'值为1:

df = pd.DataFrame({'c1':[0,1,0,1,1,0], 'c2':[0,0,0,1,1,1], 'c3':[0,0,0,1,1,1]})

结果应该只返回索引为3,4,5的行，因为只有[c2，c3]=[1,1]组至少有2行的“c1”值为1

df.groupby(['c2','c3']).filter(lambda x: x['c1'].count() >= 2)

不返回所需的结果。我需要将计数专门应用于1s的计数，而不仅仅是“c1”的任何值

以下方法可行，但我不确定如何使其更具python风格：

s = df.groupby(['c2','c3']).apply(lambda x: x[x['c1']==1].count() >= 2).all(axis=1)
df = df.reset_index().set_index(['c2','c3']).loc[s[s].index].reset_index().set_index(['index'])    

---

使用

groupby

+

transform

对布尔序列求和，我们使用它来屏蔽原始数据帧

m = df['c1'].eq(1).groupby([df['c2'], df['c3']]).transform('sum').ge(2)

# Alterntively assign the column
#m = df.assign(to_sum = df.c1.eq(1)).groupby(['c2', 'c3']).to_sum.transform('sum').ge(2) 

df.loc[m]
#   c1  c2  c3
#3   1   1   1
#4   1   1   1
#5   0   1   1

使用过滤器时，

count

不是正确的逻辑。使用

=

（或

.eq（）

）检查

'c1'

是否等于特定值。求布尔级数的和，并检查过滤器的每个组中是否至少有两个这样的实例

df.groupby(['c2','c3']).filter(lambda x: x['c1'].eq(1).sum() >= 2)
#   c1  c2  c3
#3   1   1   1
#4   1   1   1
#5   0   1   1

---

虽然对于小数据帧来说并不明显，但随着组数的增加，带有

lambda

的

filter

的速度非常慢<代码>变换很快：

import numpy as np
np.random.seed(123)
df = pd.DataFrame({'c1':np.random.randint(1,100,1000), 'c2':np.random.randint(1,100,1000), 
                   'c3':np.random.choice([1,0], 1000)})

%%timeit
m = df['c1'].eq(1).groupby([df.c3, df.c3]).transform('sum').ge(2)
df.loc[m]
#5.21 ms ± 15.9 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

%timeit df.groupby(['c2','c3']).filter(lambda x: x['c1'].eq(1).sum() >= 2)
#124 ms ± 714 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

---

可以使用

groupby

+

merge

s=df.groupby(['c2','c3']).c1.sum().ge(2)
s[s].index.to_frame().reset_index(drop=True).merge(df,how='left')
   c2  c3  c1
0   1   1   1
1   1   1   1
2   1   1   0

---

非常有趣的方法。我不知道，即使将“c1”中的值1更改为“a”，df['c1'].eq（'a'）.sum（）也会“计算”真实值的数量。非常感谢。是的，.eq（）返回一个布尔序列，当您应用像

.sum

这样的操作时，它将True强制为1，将False强制为0。@user7101631在这种情况下，我将按DataFrame列对一个序列进行分组，因此语法有点不同，需要分别传递分组列。如果您需要在原始数据框中使用许多列，那么我将使用

.assign

，创建需要求和的列，然后传递需要分组的列的列表

m=df.assign（to_sum=df.c1.eq（1））.groupby（['c2'，'c3']）。to_sum.transform（'sum'）。ge（2）