Pandas如何按最大值条件从列取值为簇分配正确名称

针对该需求，推荐两种全向量化无循环的Pandas实现，性能远高于自定义遍历的方案，按适用场景区分如下：

方案1：大体积数据集优先（性能最优） #

先预计算簇编号到簇名的映射字典，再批量替换，仅需要一次分组计算，适合百万行以上的大数据集：

import pandas as pd

# 假设原始聚类结果DataFrame为df
# 确保value为数值类型，避免字符串比较出错
df["value"] = pd.to_numeric(df["value"])

# 生成簇编号 -> 簇名的映射字典
cluster_mapper = df.loc[
    df.groupby("cluster_group")["value"].idxmax(), 
    ["cluster_group", "name"]
].set_index("cluster_group")["name"].to_dict()

# 替换编号为簇名，修改列名
df["cluster_group"] = df["cluster_group"].map(cluster_mapper)
df = df.rename(columns={"cluster_group": "cluster_name"})

方案2：中小数据集优先（写法更简洁） #

用transform直接生成簇名列，代码更短，适合十万行以下的中小数据集：

df["cluster_name"] = df.groupby("cluster_group")["name"].transform(
    lambda x: x.loc[df.loc[x.index, "value"].idxmax()]
)
# 删除原始簇编号列
df = df.drop("cluster_group", axis=1)

注意事项 #

• 若单个簇内存在多个相同的最大值，默认取第一个出现的对应name作为簇名，需要调整优先级可提前对DataFrame按需求排序
• 需提前确认value列为数值类型，避免字符串排序得到错误的最大值结果

内容的提问来源于stack exchange，提问作者lukesoiler