Pandas хороший подход к получению топ-n записей в каждой группе

Предположим, что у меня есть pandas DataFrame:

>>> df = pd.DataFrame({'id':[1,1,1,2,2,2,2,3,4],'value':[1,2,3,1,2,3,4,1,1]})
>>> df
   id  value
0   1      1
1   1      2
2   1      3
3   2      1
4   2      2
5   2      3
6   2      4
7   3      1
8   4      1

Я хочу получить новый DataFrame с топ-2 записями для каждого id, например:

   id  value
0   1      1
1   1      2
3   2      1
4   2      2
7   3      1
8   4      1

Я могу сделать это с нумерацией записей в группе после группы:

>>> dfN = df.groupby('id').apply(lambda x:x['value'].reset_index()).reset_index()
>>> dfN
   id  level_1  index  value
0   1        0      0      1
1   1        1      1      2
2   1        2      2      3
3   2        0      3      1
4   2        1      4      2
5   2        2      5      3
6   2        3      6      4
7   3        0      7      1
8   4        0      8      1
>>> dfN[dfN['level_1'] <= 1][['id', 'value']]
   id  value
0   1      1
1   1      2
3   2      1
4   2      2
7   3      1
8   4      1

Но есть ли более эффективный/элегантный подход для этого? А также есть более элегантный подход к числовым записям в каждой группе (например, функция окна SQL row_number()).

Спасибо заранее.

Ответ 1

Пробовал ли вы df.groupby('id').head(2)

Сгенерирован вывод:

>>> df.groupby('id').head(2)
       id  value
id             
1  0   1      1
   1   1      2 
2  3   2      1
   4   2      2
3  7   3      1
4  8   4      1

(Имейте в виду, что вам может потребоваться заказать/отсортировать до, в зависимости от ваших данных)

РЕДАКТИРОВАТЬ: Как упоминалось в вопросе, используйте df.groupby('id').head(2).reset_index(drop=True) для удаления мультииндекса и сглаживания результатов.

>>> df.groupby('id').head(2).reset_index(drop=True)
    id  value
0   1      1
1   1      2
2   2      1
3   2      2
4   3      1
5   4      1

Ответ 2

Начиная с версии 0.14.1 теперь вы можете сделать nlargest и nsmallest в объекте groupby:

In [23]: df.groupby('id')['value'].nlargest(2)
Out[23]: 
id   
1   2    3
    1    2
2   6    4
    5    3
3   7    1
4   8    1
dtype: int64

Там небольшая странность, что вы также получаете исходный индекс, но это может быть действительно полезно в зависимости от вашего исходного индекса.

Если вас это не интересует, вы можете сделать .reset_index(level=1, drop=True), чтобы полностью избавиться от него.

(Примечание: От 0.17.1 вы сможете сделать это и в DataFrameGroupBy, но пока он работает только с Series и SeriesGroupBy.)