Python中基于分组与条件创建DataFrame的remove列需求

需求说明 #

现有如下DataFrame，需新增布尔型列remove：每个url仅保留一行，保留优先级规则为：

1. 优先保留score更高的行；
2. 若score相同，track为gre或tca的行优先于oke；
3. 若track也相同，保留size更大的行。
   remove值为True表示该行需删除，False表示保留。

原始DataFrame #

解决方案代码 #

import pandas as pd

# 构造原始数据
data = [
    ["timmy", 10, "gre", 0.982, 41, "target.com", 2],
    ["chester", 12, "tca", 0.251, 12, "michaels.com", 3],
    ["trixie", 10, "oke", 0.0879, 15, "macys.com", 2],
    ["aj", 9, "gre", 0.985, 20, "michaels.com", 3],
    ["cosmo", 150, "tca", 0.982, 328, "target.com", 2],
    ["wanda", 145, "gre", 0.879, 550, "macys.com", 2],
    ["jorgen", 500, "oke", 0.432, 51, "michaels.com", 3]
]
df = pd.DataFrame(data, columns=["name", "age", "track", "score", "size", "url", "url_count"])

# 为track设置优先级权重：gre/tca权重为1，oke为0，用于排序
df["track_weight"] = df["track"].map({"gre":1, "tca":1, "oke":0})

# 按url分组，每组内按规则排序后标记是否为保留行
df["remove"] = (
    df.groupby("url", group_keys=False)
      .apply(lambda g: g.sort_values(by=["score", "track_weight", "size"], ascending=[False, False, False])
                        .reset_index(drop=True)
                        .index != 0)
)

# 删除临时权重列
df = df.drop("track_weight", axis=1)

print(df)

最终结果 #

运行代码后得到的DataFrame如下：

规则验证 #

• target.com：两行score相同，track同属高优先级，size328>41，保留cosmo行；
• michaels.com：aj的score最高（0.985），直接保留；
• macys.com：wanda的score远高于trixie，保留wanda行。
  所有结果均符合预设规则。

内容的提问来源于stack exchange，提问作者codingrainha