Python 熊猫聚集数据时，列保持不变

我有一个数据框，一个：

a=pd.DataFrame({'ID': [1,1,2,2,3,4], 'B': [1,5,3,2,4,1], 'C': [1,4,3,6,1,1]})

   ID  B  C
0   1  1  1
1   1  5  4
2   2  3  3
3   2  2  6
4   3  4  1
5   4  1  1

我想对其进行聚合，以便生成的新数据帧将按ID分组，并返回与B的min对应的行（因此对B应用min（）并按原样携带C）

因此，生成的数据帧应为：

   ID  B  C
0   1  1  1
1   2  2  6
2   3  4  1
3   4  1  1

---

如何使用pandas.groupby（）以编程方式执行此操作，或者是否有其他方法执行此操作？

尝试在您的

groupby

之前进行排序，然后先执行

：

a.sort_values('B').groupby('ID',as_index=False).first()

   ID  B  C
0   1  1  1
1   2  2  6
2   3  4  1
3   4  1  1

或者，可能更快的方法是按
ID
和
B
排序，然后删除重复的
ID
s，保留第一个（这是
drop\u duplicates
的默认行为）：

当涉及到排序，并且分组不涉及任何计算时，我更喜欢使用底层的
numpy
数组来提高性能


使用
argsort
和
numpy.unique
：

arr = a.values
out = arr[np.argsort(arr[:, 1])]
_, idx = np.unique(out[:, 0], return_index=True)

out[idx]


要将值重新分配给数据帧，请执行以下操作：

pd.DataFrame(out[idx], columns=a.columns)


可以使用groupby和transform筛选行

a.loc[a['B'] == a.groupby('ID').B.transform('min')]

    B   C   ID
0   1   1   1
3   2   6   2
4   4   1   3
5   1   1   4

pd.DataFrame(out[idx], columns=a.columns)

   ID  B  C
0   1  1  1
1   2  2  6
2   3  4  1
3   4  1  1

a.loc[a['B'] == a.groupby('ID').B.transform('min')]

    B   C   ID
0   1   1   1
3   2   6   2
4   4   1   3
5   1   1   4