按A分组选取B值最接近指定值15的单条行的技术需求

我来帮你解决这个分组筛选最接近指定值行的问题，用Python的pandas就能轻松实现，具体步骤如下：

原始数据集 #

首先我们先明确待处理的原始数据：

需求说明 #

我们需要按A列进行分组，每组选取B值与指定值15差值最小的行：

• A=01:00:00的组中，最接近15的B值是17（对应索引2的行）
• A=02:00:00的组中，最接近15的B值是14（对应索引7的行）

实现代码 #

下面是具体的Python代码实现：

import pandas as pd

# 构造原始数据集
data = {
    'A': ['01:00:00', '01:00:00', '01:00:00', '01:00:00',
          '02:00:00', '02:00:00', '02:00:00', '02:00:00'],
    'B': [24, 28, 17, 10, 11, 35, 45, 14],
    'C': ['Andrew', 'Edd', 'Emma', 'Fred', 'Andrew', 'Edd', 'Emma', 'Fred']
}
df = pd.DataFrame(data)

# 计算B值与15的绝对差值，用于衡量接近程度
df['diff'] = abs(df['B'] - 15)

# 按A列分组，找到每组中差值最小的行的索引
target_indices = df.groupby('A')['diff'].idxmin()

# 提取目标行并移除临时的diff列
result_df = df.loc[target_indices].drop('diff', axis=1)

# 打印结果
print(result_df)

最终输出结果 #

运行上述代码后，会得到如下结果：

代码逻辑解释 #

1. 先构造DataFrame来存储原始数据，方便后续结构化处理；
2. 新增diff列计算B值与15的绝对差，这样能统一比较每组内各数据与目标值的接近程度；
3. 使用groupby结合idxmin()方法，快速定位每组中差值最小的行的索引；
4. 最后通过索引提取目标行，并移除临时的diff列，得到符合需求的结果。

内容的提问来源于stack exchange，提问作者Tie_24