为 Pandas 中的 n 个最大值生成虚拟变量

Question

我有一个像这样构建的数据库：

>>> df = pd.DataFrame({'id':[1,1,1,2,2,2,2,3,4],'value':[1,2,3,1,2,3,4,1,1]})

>>> df

    id  value    
0   1      1    
1   1      2    
2   1      3    
3   2      1    
4   2      2    
5   2      3    
6   2      4    
7   3      1    
8   4      1

并且我想为每个 ID 的第 n 个最大值生成一个虚拟变量（此处为 n = 2），以便对于所有第 n 个最大值之一的值等于 1：

    id  value  Largest 
0   1      1     0    
1   1      2     1    
2   1      3     1    
3   2      1     0    
4   2      2     0    
5   2      3     1    
6   2      4     1    
7   3      1     1    
8   4      1     1

我试过了：

df['highest'] = 0
df['highest'].loc[df['value'].isin(df.groupby(['id'])['value'].nlargest(1))] = 1

但是如果某个 ID 的值恰好是另一个 ID 中的最高值，那将会错误地分配值

Answer 1

设置

df = pd.DataFrame({'id':[1,1,1,2,2,2,2,3,4],'value':[1,2,3,1,2,3,4,1,1]})
n = 2

使用nlargest和loc：

df['flag'] = 0
df.loc[df.groupby('id').value.nlargest(n).index.get_level_values(1), 'flag'] = 1

使用np.where和assign：

这避免了修改 DataFrame 就地。

df.assign(
    flag=np.where(
        df.index.isin(df.groupby('id').value.nlargest(n).index.get_level_values(1)), 1, 0
    )
)

两者都会导致：

   id  value  flag
0   1      1     0
1   1      2     1
2   1      3     1
3   2      1     0
4   2      2     0
5   2      3     1
6   2      4     1
7   3      1     1
8   4      1     1

正如@jezrael 所指出的，np.where这里并不是真的有必要，因为您正在寻找二进制结果，您可以改为使用：

df.assign(flag=df.index.isin(df.groupby('id').value.nlargest(n).index.get_level_values(1)).astype(int))