如何在Pandas中找出数值相同的多个最小值或最大值？

这个问题我之前也碰到过！用直接计算最值+布尔筛选的方案是最简洁高效的，既能一次性找出所有数值相同的最值球队，又避免了nlargest的冗余操作，对大型数据集的处理速度也更快。

方案1：Pandas 数据集场景（最常用） #

假设你的数据是一个包含Team（球队）和Yellow_Cards（黄牌数）列的DataFrame，步骤如下：

1. 计算黄牌数的最小/最大值
2. 用布尔索引筛选出所有等于该值的球队

import pandas as pd

# 示例数据集
data = {
    'Team': ['Denmark', 'Germany', 'France', 'Spain', 'Italy'],
    'Yellow_Cards': [4, 4, 2, 6, 2]
}
df = pd.DataFrame(data)

# 提取黄牌最少的球队
min_yellow = df['Yellow_Cards'].min()
min_teams = df[df['Yellow_Cards'] == min_yellow]['Team'].tolist()

# 提取黄牌最多的球队
max_yellow = df['Yellow_Cards'].max()
max_teams = df[df['Yellow_Cards'] == max_yellow]['Team'].tolist()

# 格式化输出结果
print(f"黄牌最少的球队（{min_yellow}张）：{', '.join(min_teams)}")
print(f"黄牌最多的球队（{max_yellow}张）：{', '.join(max_teams)}")

输出结果：

黄牌最少的球队（2张）：France, Italy
黄牌最多的球队（6张）：Spain

如果丹麦和德国都是4张黄牌（同为最值），只要修改示例数据里的对应数值，就能自动输出黄牌最多的球队（4张）：Denmark, Germany。

为什么这个方案比nlargest好？ #

• 效率更高：min()/max()只需要一次遍历数据集，布尔筛选也是O(n)时间复杂度，而nlargest需要排序（O(n log k)），大型数据集下性能差距会很明显
• 无需预设数量：不用纠结nlargest里的k值设多少，不管有多少个球队同最值，都能一次性全部提取
• 代码更简洁：核心逻辑只用4行就搞定，比nlargest还要额外处理重复值的写法清爽很多

方案2：普通列表/字典场景（无Pandas时） #

如果你的数据是普通列表或字典，思路完全一致：先找最值，再筛选对应球队。

# 示例列表数据（球队，黄牌数）
teams_data = [('Denmark', 4), ('Germany', 4), ('France', 2), ('Spain', 6), ('Italy', 2)]

# 提取所有黄牌数，计算最值
yellow_counts = [count for team, count in teams_data]
min_yellow = min(yellow_counts)
max_yellow = max(yellow_counts)

# 筛选对应球队
min_teams = [team for team, count in teams_data if count == min_yellow]
max_teams = [team for team, count in teams_data if count == max_yellow]

# 输出结果
print(f"黄牌最少的球队：{min_teams}（{min_yellow}张）")
print(f"黄牌最多的球队：{max_teams}（{max_yellow}张）")

这个写法同样高效，不管数据量多大，都是线性遍历，不会有性能瓶颈。

内容的提问来源于stack exchange，提问作者yssefunc