通过列值列表过滤熊猫数据框

Question

这是我的数据框的子样本：

idcontrn    ctosaldo    fecanota    diamovto    fecopera    codsprod
491748      000         2017-08-25         3    2017-08-25         0
1014320     000         2018-05-28     99999    2018-05-28        33
1907630     000         2017-06-12     99999    2017-06-09        21
1573897     000         2018-01-25       613    2018-01-25         0
1713456     000         2017-08-08        17    2017-08-07         0
186315      000         2017-06-29        13    2017-06-28         0
150328      000         2017-10-23         1    2017-10-23        84
1531535     000         2017-04-25         1    2017-04-25        78

我想提取“codsprod”列中出现频率最高的 20 个类别，所以我这样做了：

pd.DataFrame(sample.groupby(['codsprod']).size()).sort_values(by = 0,ascending = False).reset_index()[0:21]

产生：

codsprod    0
0   0   319971
1   76  120026
2   33  62017
3   119 48138
4   14  42180
5   104 40756
6   48  26902

以此类推……直到数字 20。

现在我要做的是通过“codsprod”列的前 20 个类别过滤原始 df。我知道如何根据条件将过滤器应用于 pandas df，但编写如下内容：

sample[sample['codsprod'] == category_number] 对我来说似乎很乏味和漫长，因为我将不得不手动建立 20 个条件，每个类别一个。

有没有更快更简洁的方法来实现这一点？？

非常感谢您。

Answer 1

使用groupby + size + head 获得最大的'codsprod' 组。使用.isin 过滤原始DataFrame。要获得最大的 2 个组：

df[df.codsprod.isin(df.groupby('codsprod').size().head(2).index)]

输出：

   idcontrn  ctosaldo    fecanota  diamovto    fecopera  codsprod
0    491748         0  2017-08-25         3  2017-08-25         0
2   1907630         0  2017-06-12     99999  2017-06-09        21
3   1573897         0  2018-01-25       613  2018-01-25         0
4   1713456         0  2017-08-08        17  2017-08-07         0
5    186315         0  2017-06-29        13  2017-06-28         0

---

说明：

df.groupby('codsprod').size() 返回一个Series，它根据组大小按降序排列。这个Series的值就是组大小，这个Series的索引就是对应的'codsprod'值：

df.groupby('codsprod').size()
#codsprod
#0     4
#21    1
#33    1
#78    1
#84    1
#dtype: int64

采用.head(n) 将只返回顶部的n 记录，在这种情况下是n 最大的组。但请注意，它不处理关系，它只需要首先出现的任何内容（这也不会太难包含任何关系）：

df.groupby('codsprod').size().head(2)
#codsprod
#0     4
#21    1
#dtype: int64

此时，您并不关心组有多大，您想知道哪些组最大。所以你需要这个系列的索引。

df.groupby('codsprod').size().head(2).index
#Int64Index([0, 21], dtype='int64', name='codsprod')

这基本上是'codsprod' 值的列表，并根据值等于您使用.isin 的列表中的任何值来过滤DataFrame，