我想知道是否有办法找到数据框中最高值的位置（列和行索引）。因此，如果我的数据框如下所示：
A B C D E
0 100 9 1 12 6
1 80 10 67 15 91
2 20 67 1 56 23
3 12 51 5 10 58
4 73 28 72 25 1
如何使用Pandas获得如下所示的结果：[0, 'A']
答案 0 :(得分：11)
np.argmax NumPy argmax可以提供帮助：
>>> df.stack().index[np.argmax(df.values)]
(0, 'A')
df.values是一个二维NumPy数组：
>>> df.values
array([[100, 9, 1, 12, 6],
[ 80, 10, 67, 15, 91],
[ 20, 67, 1, 56, 23],
[ 12, 51, 5, 10, 58],
[ 73, 28, 72, 25, 1]])
argmax为您提供＆＃34;展平＆＃34;的最大值的索引阵列：
>>> np.argmax(df.values)
0
现在，您可以使用此索引查找堆叠数据框上的行列位置：
>>> df.stack().index[0]
(0, 'A')
如果您需要快速，请尽可能少做几步。
仅在NumPy数组上工作以查找索引np.argmax似乎最好：
v = df.values
i, j = [x[0] for x in np.unravel_index([np.argmax(v)], v.shape)]
[df.index[i], df.columns[j]]
结果：
[0, 'A']
时序最适合lareg数据帧：
df = pd.DataFrame(data=np.arange(int(1e6)).reshape(-1,5), columns=list('ABCDE'))
排序最慢到最快：
%timeit df.mask(~(df==df.max().max())).stack().index.tolist()
33.4 ms ± 982 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
%timeit list(df.stack().idxmax())
17.1 ms ± 139 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
%timeit df.stack().index[np.argmax(df.values)]
14.8 ms ± 392 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
%%timeit
i,j = np.where(df.values == df.values.max())
list((df.index[i].values.tolist()[0],df.columns[j].values.tolist()[0]))
4.45 ms ± 84.7 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
%%timeit
v = df.values
i, j = [x[0] for x in np.unravel_index([np.argmax(v)], v.shape)]
[df.index[i], df.columns[j]]
499 µs ± 12 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
d = {'name': ['Mask', 'Stack-idmax', 'Stack-argmax', 'Where', 'Argmax-unravel_index'],
'time': [33.4, 17.1, 14.8, 4.45, 499],
'unit': ['ms', 'ms', 'ms', 'ms', 'µs']}
timings = pd.DataFrame(d)
timings['seconds'] = timings.time * timings.unit.map({'ms': 1e-3, 'µs': 1e-6})
timings['factor slower'] = timings.seconds / timings.seconds.min()
timings.sort_values('factor slower')
输出：
name time unit seconds factor slower
4 Argmax-unravel_index 499.00 µs 0.000499 1.000000
3 Where 4.45 ms 0.004450 8.917836
2 Stack-argmax 14.80 ms 0.014800 29.659319
1 Stack-idmax 17.10 ms 0.017100 34.268537
0 Mask 33.40 ms 0.033400 66.933868
所以＆＃34; Argmax-unravel_index＆＃34;对于大型数据帧，版本似乎要快一到两个数量级，即通常速度最重要的地方。
答案 1 :(得分：7)
Series使用stack MultiIndex和idxmax获取最大值索引：
print (df.stack().idxmax())
(0, 'A')
print (list(df.stack().idxmax()))
[0, 'A']
详情：
print (df.stack())
0 A 100
B 9
C 1
D 12
E 6
1 A 80
B 10
C 67
D 15
E 91
2 A 20
B 67
C 1
D 56
E 23
3 A 12
B 51
C 5
D 10
E 58
4 A 73
B 28
C 72
D 25
E 1
dtype: int64
答案 2 :(得分：2)
mask + max
df.mask(~(df==df.max().max())).stack().index.tolist()
Out[17]: [(0, 'A')]
答案 3 :(得分：1)
在我看来，对于较大的数据集，stack（）变得效率低下，让我们使用np.where返回索引位置：
i,j = np.where(df.values == df.values.max())
list((df.index[i].values.tolist()[0],df.columns[j].values.tolist()[0]))
输出：
[0, 'A']
df = pd.DataFrame(data=np.arange(10000).reshape(-1,5), columns=list('ABCDE'))
> %%timeit i,j = np.where(df.values == df.values.max())
> list((df.index[i].values.tolist()[0],df.columns[j].values.tolist()[0]))
1000次循环，最佳为3：每循环364μs
> %timeit df.mask(~(df==df.max().max())).stack().index.tolist()
100个循环，最佳3：每循环7.68 ms
> %timeit df.stack().index[np.argmax(df.values)`]
10个循环，最佳3：每循环50.5毫秒
> %timeit list(df.stack().idxmax())
1000次循环，最佳3：每循环1.58 ms
更大的数据框：
df = pd.DataFrame(data=np.arange(100000).reshape(-1,5), columns=list('ABCDE'))
分别为：
1000 loops, best of 3: 1.62 ms per loop
10 loops, best of 3: 18.2 ms per loop
100 loops, best of 3: 5.69 ms per loop
100 loops, best of 3: 6.64 ms per loop
答案 4 :(得分：0)
这应该有效：
def max_df(df):
m = None
p = None
for idx, item in enumerate(df.idxmax()):
c = df.columns[item]
val = df[c][idx]
if m is None or val > m:
m = val
p = idx, c
return p
这使用https://[origin函数，然后比较它返回的所有值。
使用示例：
>>> df
A B
0 100 9
1 90 8
>>> max_df(df)
(0, 'A')
这是一个单行（为了好玩）：
def max_df2(df):
return max((df[df.columns[item]][idx], idx, df.columns[item]) for idx, item in enumerate(df.idxmax()))[1:]
答案 5 :(得分：0)
print('Max value:', df.stack().max())
print('Parameters :', df.stack().idxmax())
这是恕我直言的最好方法。