Python Pandas-根据条件的层次结构选择行

我有一个数据框，我想根据数据框的某些列中嵌套的值层次结构获取“第一个可用”索引

例如：

import pandas as pd

foo = ['a','a','a','a','b','b','b','b']
bar = [0,0,1,1,2,2,1,1]
foobar = ['x',1,1,2,2,3,4,5]

df = pd.DataFrame({'foo':foo,'bar':bar,'foobar':foobar})

这给了你：

  foo  bar foobar
0   a    0      x
1   a    0      1
2   a    1      1
3   a    1      2
4   b    2      2
5   b    2      3
6   b    1      4
7   b    1      5

规则如下：对于

foo

中的每个值，根据

bar

和

foobar

中的值选择一个且仅一个行索引。对于

bar

，这是条件的层次结构：

0>1>2>。

对于

foobar

它是

'x>1>2>。

<代码> FoBOAR 应嵌套在Bar 中，因此如果有多个可用值用于<代码> BAR <代码> >只考虑“代码”> Bar <代码>中的“第一个可用”值，然后根据 FoBar 中的值层次结构获得一行索引，用于特定值的“代码> Bar < /C> > /< 预期产出：

例如，应该选择索引

0

和

6

。

IIUC，您可以使用+：

输出

Int64Index([0, 4], dtype='int64')

其思想是按层次优先级对数据帧的行进行排序，将“x”替换为0（或任何其他高优先级）。然后查找foo列复制的行

更新

对于新案例，您可以执行以下操作：

df = df.set_index('foo').sort_index().sort_values(by=['bar', 'foobar'],
                                                  key=lambda x: x.replace('x', 0).astype(int)).reset_index()
mask = df.duplicated(subset=['foo'])
res = df[~mask].index
print(res)

IIUC，您可以使用+：

输出

Int64Index([0, 4], dtype='int64')

其思想是按层次优先级对数据帧的行进行排序，将“x”替换为0（或任何其他高优先级）。然后查找foo列复制的行

更新

对于新案例，您可以执行以下操作：

df = df.set_index('foo').sort_index().sort_values(by=['bar', 'foobar'],
                                                  key=lambda x: x.replace('x', 0).astype(int)).reset_index()
mask = df.duplicated(subset=['foo'])
res = df[~mask].index
print(res)

---

---

我得到

TypeError:sort_values（）在使用code@JohannesWiesner您使用的熊猫版本是什么？我的熊猫版本是“1.0.5”。关键参数是在1.1.0中添加的。对不起，我必须更新我的问题并更改
foo
中的值。我刚刚发现，只有当
foo
只包含整数时，您的方法才有效。在我的真实数据框中，
foo
包含参与者ID，这些ID是唯一的字符串（例如，
'sub\u a123'
）。当我使用code@JohannesWiesner您使用的熊猫版本是什么？我的熊猫版本是'1.0.5'。关键参数是在1.1.0中添加的。对不起，我必须更新我的问题并更改
foo
中的值。我刚刚发现，只有当
foo
只包含整数时，您的方法才有效。在我的真实数据框中，
foo
包含参与者ID，这些ID是唯一的字符串（例如，
'sub_a123'
）。是什么决定了层次结构？这应该由用户决定。用户决定的内容将如何到达，处于什么状态？这只是
df
中
bar
和
foobar
的顺序吗？是的。数据框中的列可能不止是
bar
和
foobar
。也就是说，用户应该能够确定层次结构的层次结构。人们可以粗略地把它想象成
bar>foobar
。此外，
bar
的值有一个
0>1>2>的层次结构，
foobar
的值有一个
1>2>的层次结构。也许一种方法是将感兴趣的列转换成分类变量。然后可以为
bar
的所有值和
foobar
的所有值建立一个用户定义的因子水平层次结构？它是否总是
foo
组中的第一个？您的预期输出为0和4。你能展示一个不是第一个的情况吗？是什么决定了层次结构？这应该由用户决定。用户决定的内容将如何到达，处于什么状态？这只是
df
中
bar
和
foobar
的顺序吗？是的。数据框中的列可能不止是
bar
和
foobar
。也就是说，用户应该能够确定层次结构的层次结构。人们可以粗略地把它想象成
bar>foobar
。此外，
bar
的值有一个
0>1>2>的层次结构，
foobar
的值有一个
1>2>的层次结构。也许一种方法是将感兴趣的列转换成分类变量。然后可以为
bar
的所有值和
foobar
的所有值建立一个用户定义的因子水平层次结构？它是否总是
foo
组中的第一个？您的预期输出为0和4。你能举个不是第一个的例子吗？