Python中如何按user_id分组后按规则筛选行并返回单条结果？

需求说明 #

对DataFrame按user_id分组后，每组仅返回一条tier结果，规则如下：

• 若rank=1且tier≠Unknown，返回该tier（如用户a001）
• 否则返回rank=2对应的tier（如用户b001）
• 若rank=1且tier=Unknown，返回'no_tier'（如用户c001）

注：每个user_id的tier中Unknown仅出现一次。

原始DataFrame #

user_id tier    rank
a001    High     1
a001    Low      2
a001    Unknown  3
b001    Unknown  1 
b001    Mid      2
c001    Unknown  1

预期结果 #

tier    
High     
Mid      
no_tier  

你的错误代码 #

def get_tier(x):
    if x['rank'] ==1 and x['tier'] != 'Unknown':
        return x['tier']
    elif x['rank'] == 2:
        return x['tier']
    else:
        return 'no_tier'

df.goupby('user_id').apply(lambda x : x.apply(get_tier), axis = 1).iloc[0]).reset_index()

错误点说明 #

1. goupby拼写错误，正确应为groupby
2. 分组后apply的逻辑错误：x是每个用户的子DataFrame，不是单行数据，嵌套的x.apply(get_tier, axis=1)会对每行调用函数，但最后取iloc[0]的逻辑混乱，无法得到每组唯一的结果。

正确解法 #

方法一：修正分组apply逻辑 #

重写函数处理每个用户的子DataFrame，按规则判断返回结果：

import pandas as pd

# 构造原始DataFrame
df = pd.DataFrame({
    'user_id': ['a001', 'a001', 'a001', 'b001', 'b001', 'c001'],
    'tier': ['High', 'Low', 'Unknown', 'Unknown', 'Mid', 'Unknown'],
    'rank': [1, 2, 3, 1, 2, 1]
})

def get_tier(group):
    # 获取当前用户rank=1的行
    rank1_row = group[group['rank'] == 1].iloc[0]
    if rank1_row['tier'] != 'Unknown':
        return rank1_row['tier']
    # 检查是否存在rank=2的行
    rank2_rows = group[group['rank'] == 2]
    if not rank2_rows.empty:
        return rank2_rows.iloc[0]['tier']
    # 对应rank=1且tier=Unknown的情况
    return 'no_tier'

# 分组应用函数，得到结果
result = df.groupby('user_id').apply(get_tier).reset_index(name='tier')
# 若仅需要tier列，可执行以下操作
result = result['tier']
print(result)

输出结果：

0       High
1        Mid
2    no_tier
Name: tier, dtype: object

方法二：高效筛选法（适合大数据量） #

通过排序和优先级标记，避免循环式apply，提升效率：

import pandas as pd

df = pd.DataFrame({
    'user_id': ['a001', 'a001', 'a001', 'b001', 'b001', 'c001'],
    'tier': ['High', 'Low', 'Unknown', 'Unknown', 'Mid', 'Unknown'],
    'rank': [1, 2, 3, 1, 2, 1]
})

# 按用户和rank升序排序，确保rank小的行在前
df_sorted = df.sort_values(['user_id', 'rank'])

# 给每行标记优先级：规则1优先级最高，规则2次之，规则3最低
df_sorted['priority'] = 0
df_sorted.loc[(df_sorted['rank'] == 1) & (df_sorted['tier'] != 'Unknown'), 'priority'] = 3
df_sorted.loc[df_sorted['rank'] == 2, 'priority'] = 2
df_sorted.loc[(df_sorted['rank'] == 1) & (df_sorted['tier'] == 'Unknown'), 'priority'] = 1

# 每组取优先级最高的行的tier值
result = df_sorted.groupby('user_id').apply(lambda x: x.loc[x['priority'].idxmax(), 'tier']).reset_index(name='tier')
result = result['tier']
print(result)

输出结果和方法一一致。

内容的提问来源于stack exchange，提问作者Jammy Wang