从多级分组Pandas DataFrame中筛选各账户每周Top3程序

嘿，我完全懂你遇到的问题——在多级分组的Pandas DataFrame上用nlargest()筛选TopN时，要是分组逻辑没搞对，很容易要么只返回寥寥几行，要么丢了关键数据。我来给你梳理下正确的解决思路，再说说你之前可能踩的坑。

首先，先明确你的核心需求：给每个账户的每一周，筛选出Duration平均值最高的前3个程序。关键是要按「周 + 账户」的组合来分组，而不是只按账户或者只按周单独分组。

先模拟你的数据场景 #

假设你的聚合后数据结构大概是这样的（我造个示例方便演示）：

import pandas as pd
import numpy as np

# 构造模拟数据
dates = pd.date_range('2024-01-01', periods=28, freq='D')
accounts = ['A001', 'A002', 'A003']
programs = ['ProgX', 'ProgY', 'ProgZ', 'ProgW']

data = {
    'Date': np.random.choice(dates, 100),
    'AccountID': np.random.choice(accounts, 100),
    'ProgramName': np.random.choice(programs, 100),
    'Duration': np.random.randint(10, 100, 100)
}

df = pd.DataFrame(data)
# 按周、账户、程序聚合出每周平均时长
df['Week'] = df['Date'].dt.to_period('W')
agg_df = df.groupby(['Week', 'AccountID', 'ProgramName'])['Duration'].mean().reset_index()

正确的Top3筛选方法 #

方法1：groupby + apply + nlargest（直观易懂）

直接按「Week + AccountID」分组，对每个组内的数据取Duration前3的行：

# 按周和账户分组，每组取Top3程序
top3_result = agg_df.groupby(['Week', 'AccountID']).apply(
    lambda group: group.nlargest(3, 'Duration')
).reset_index(drop=True)

这里的reset_index(drop=True)是为了去掉分组后生成的冗余索引，让结果更整洁。

方法2：用rank()筛选（大数据量更高效）

如果你的数据量很大，apply可能会有点慢，这时候可以用排名的方式来筛选：

# 给每个「周+账户」组内的Duration降序排名
agg_df['Duration_Rank'] = agg_df.groupby(['Week', 'AccountID'])['Duration'].rank(
    ascending=False, method='first'  # method='first'处理并列值，避免结果超过3个
)
# 筛选排名前3的行
top3_result = agg_df[agg_df['Duration_Rank'] <= 3].drop('Duration_Rank', axis=1)

为什么你之前的方法会出错？ #

大概率是分组逻辑踩了坑：

• 如果你直接对整个聚合后的DataFrame用nlargest(3)，那只会返回全表中Duration最高的3行，自然只有3个结果，不是每个账户每周的。
• 如果你只按AccountID分组，那每个账户只会取所有周里的Top3程序，而不是每周单独算Top3。
• 要是你的聚合结果是多级索引（没做reset_index()），直接用nlargest会忽略索引层级，导致筛选逻辑混乱。

验证结果 #

你可以用下面的代码检查每个「周+账户」组合的行数，确认是不是大部分都是3行（如果某个账户某周的程序不足3个，那就是实际数量）：

top3_result.groupby(['Week', 'AccountID']).size().value_counts()

这样应该就能得到你想要的每个账户每周的Top3程序啦！

内容的提问来源于stack exchange，提问作者IrinaS