如何在Julia的DataFrame中获取指定列第n大的数值

你可以通过以下两种常用方式实现对标Python pd.Series.nlargest(n=5, keep='first') 的功能：

方法1：全排序后取前n行（适合小数据集） #

先给原数据添加行号列，再按目标列降序排序后截取前n行即可，默认稳定排序会自动保留重复值的原始先后顺序，对应keep='first'效果：

using DataFrames

# 你的示例数据
df = DataFrame(
    Data1 = [0.125824, 0.612905, 0.210736, 0.172203, 0.898269],
    Data2 = [0.841358, 0.337965, 0.66849, 0.377226, 0.448477]
)

n = 3
# 第一步：添加原行号列
df = transform(df, rownumber => :原行号)
# 第二步：按Data1列降序排序，取前n行的原行号和Data1列
top_n_result = sort(df, :Data1, rev=true)[1:n, [:原行号, :Data1]]

输出结果和你预期完全一致：

3×2 DataFrame
 Row │ 原行号  Data1   
     │ Int64  Float64 
─────┼────────────────
   1 │      5  0.898269
   2 │      2  0.612905
   3 │      3  0.210736

方法2：部分排序取索引（适合大数据集，性能更高） #

不需要对全量数据排序，直接用partialsortperm获取前n大值的原始索引，性能和pandas原生nlargest接近：

n = 3
# 获取Data1列前n大值的原始行索引
top_idx = partialsortperm(df.Data1, 1:n, rev=true)
# 拼接结果
top_n_result = DataFrame(
    原行号 = top_idx,
    Data1 = df.Data1[top_idx]
)

如果不需要保留原行号，只需要前n大的数值，直接执行partialsort(df.Data1, 1:n, rev=true)即可。

内容的提问来源于stack exchange，提问作者AfterFray