Python 熊猫：基于每个组中的最大值的GroupBy和Order组

我有一个熊猫数据框，其中包含曲目、乐谱和其他一些列

我想按“轨迹”分组，然后根据“分数”上的最大值对这些组进行排序

示例数据帧：

tracks       score
20            2.2
20            1.5
25            3.5
24            1.2
24            5.5

预期输出（我想比较每个组的最高值，并将所有组从最高到最低排序，但我不想丢失任何其他数据-意味着我想显示所有行）：

目前，我获得以下输出（我的分数已排序，但在“按我的曲目分组”后，将根据曲目编号进行排序）：

我到目前为止的做法是： 1.我已经按分数对所有值进行了排序

sub_df = sub_df.sort_values("score")

然后，我将执行以下操作以获得输出（我需要字典格式）：

url\u dict=sub\u df.groupby（'track'）['url']）。应用（列表）。to\u dict（）

我还尝试使用OrderedDict，但它没有用（至少现在是这样），因为groupBy命令发送错误的数据序列

Pandas=0.23，Python=3.6.4

创建辅助列并按多个列排序，最后删除辅助列：

sub_df['max'] = sub_df.groupby('tracks')['score'].transform('max')

sub_df = sub_df.sort_values(["max","score"], ascending=False).drop('max', axis=1)
#if necessary sorting also by tracks column
#sub_df = sub_df.sort_values(["max","tracks","score"], ascending=False).drop('max', axis=1)
print (sub_df)
   tracks  score
4      24    5.5
3      24    1.2
2      25    3.5
0      20    2.2
1      20    1.5

---

可能有点长，但我使用的是：

首先设置索引：

df.set_index(['x', 'y'], inplace=True)

然后在基于索引的双排序数据帧上使用groupby

new_df = df.groupby(level=[0,1]).sum().reset_index() \
          .sort_values(['x', 'y'], ascending=[1,0]).groupby('x').head(1)

这将仅显示最大值，如果要查看全部，请删除“头（1）”

df.set_index(['x', 'y'], inplace=True)

new_df = df.groupby(level=[0,1]).sum().reset_index() \
          .sort_values(['x', 'y'], ascending=[1,0]).groupby('x').head(1)