Python DataFrame在Groupby两列之后查找最大值并获取计数

我有一个数据帧df，如下所示：

   userId  pageId  tag
0  3122471  e852   18
1  3122471  f3e2   18
2  3122471  7e93   18
3  3122471  2768    6
4  3122471  53d9    6
5  3122471  06d7   15
6  3122471  e31c   15
7  3122471  c6f3    2
8  1234123  fjwe    1
9  1234123  eiae    4
10 1234123  ieha    4

userId   tag
3122471  18
1234123   4

使用

df.groupby（['userId'，'tag']）['pageId'].count（）

按userId和tag对数据进行分组后。 我会得到：

userId   tag
3122471  2      1
         6      2
         15     2
         18     3
1234123   1     1
          4     2

现在我想找到每个用户拥有最多的标签。 如下所示：

   userId  pageId  tag
0  3122471  e852   18
1  3122471  f3e2   18
2  3122471  7e93   18
3  3122471  2768    6
4  3122471  53d9    6
5  3122471  06d7   15
6  3122471  e31c   15
7  3122471  c6f3    2
8  1234123  fjwe    1
9  1234123  eiae    4
10 1234123  ieha    4

userId   tag
3122471  18
1234123   4

---

（注意：如果有多个标记具有相同的计数，我想使用函数

my_rule

来确定要显示哪个标记）

按用户ID对原始数据帧进行分组

 df.groupby('userId').max()['tag']

或

请注意，第二个解决方案是快两倍的系数

%timeit df.groupby('userId').max()['tag']
# 100 loops, best of 3: 5.69 ms per loop
%timeit df.groupby('userId', as_index=False)['tag'].max()
# 100 loops, best of 3: 2.43 ms per loop

我认为您需要，但首先：

计时：

np.random.seed(123)
N = 100000

df = pd.DataFrame(np.random.randint(1000, size=(N, 3)), columns= ['userId','pageId','tag'])
#print (df)

In [188]: %timeit (df.groupby(['userId', 'tag'], as_index=False)['pageId'].count().groupby('userId').apply(lambda x: x.tag[x.pageId.idxmax()]))
10 loops, best of 3: 180 ms per loop

In [189]: %timeit (df.groupby(['userId', 'tag'])['pageId'].size().reset_index(level='userId').groupby('userId')['pageId'].idxmax())
10 loops, best of 3: 103 ms per loop

---

VinceP解决方案是错误的，因此不包括计时。

您可以处理聚合数据

In [387]: dff = df.groupby(['userId', 'tag'], as_index=False)['pageId'].count()

In [388]: dff
Out[388]:
    userId  tag  pageId
0  1234123    1       1
1  1234123    4       2
2  3122471    2       1
3  3122471    6       2
4  3122471   15       2
5  3122471   18       3

In [389]: dff.groupby('userId').apply(lambda x: x.tag[x.pageId.idxmax()])
Out[389]:
userId
1234123     4
3122471    18
dtype: int64

---

df.groupby（'userId'，as_index=False）['tag'].max（）

会更好吗？当然，使用大数据集可能会更快。我想知道

df.groupby（'userId'）.max（）['tag']

和

df.groupby（'userId'，as_index=False）['tag'].max（）之间的区别

？前者对除

userId

之外的所有列执行

max

操作，而后者单独对

tag

执行

max

操作。我需要知道哪个标记的频率最高。顺便说一句

df.groupby（['userId'，as_index=False）['tag']。max（）

似乎输出了最大的标记id，而不是频率最高的标记？