Question

我有一个完整的配置文件，如下所示：

 profile_id  colA  colB  colC  colD
 1           1     20    50    63
 2           1     20    65    38
 3           8     5     3     4
 4           98    1     878   4
 ...

我还有另一个CSV，其中有我要从中查找配置文件的结果：

col    value    score
colA   1        85
colA   1        856
colA   8        200000
colB   1        2356
colC   878      99999
colD   4        2
...

我想为得分最高的每个value提取colX，并在上一个文件中找到与之关联的profile_id。

我正在做的事情正在工作：

profiles = pd.read_csv("profiles.csv", sep="\t", index_col=False)
df = pd.read_csv("results.csv", sep="\t", index_col=False)

found_col = set(df["col"])
good_profile = profiles.copy()
for col in profiles.columns:
    if col == "profile_id":
        continue
    elif col not in found_col:
        print(f"{col} not found")
    else:
        value = int(df.loc[df[df["col"] == col]["score"].idxmax()].value)
        good_profile = good_profile[good_profile[col] == value]
 print(good_profile)

这给了我想要的结果，但是我首先为第一列提取一个子集，然后为第二个提取一个子集，依此类推...

很棒的事情是，当我错过一些很棒的列时，我也会得到结果。

我想知道是否有一种方法可以使它做得更好，而不必用来在先前的子集上创建子集。

Answer 1

这是我的尝试：

# extract the id with max scores
new_df = df2.loc[df2.groupby('col').score.idxmax(), ['col','value']]

# merge
new_df.merge(df1.melt(id_vars='profile_id', var_name='col'),
             on=['col','value'],
             how='left')

输出：

    col  value  profile_id
0  colA      8           3
1  colB      1           4
2  colC    878           4
3  colD      4           3
4  colD      4           4

熊猫找到最接近个人资料的行

1 个答案: