Python用来做数据分析很方便，网上很多关于找数据中第二大的方法，但是大多数都是关于SQL的，于是我挑战一下用Python来做这件事（主要是SQL写的不好>_<）,上代码。
1、数据我是自己编的
在实际工作中应该从数据库中导入数据，如何从数据库导出数据，我之后会补充。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
import pandas as pd
df = pd.DataFrame([
{"class": 1, "name": "aa", "english": 120},
{"class": 1, "name": "bb", "english": 110},
{"class": 1, "name": "cc", "english": 110},
{"class": 1, "name": "dd", "english": 110},
{"class": 2, "name": "ee", "english": 120},
{"class": 2, "name": "ff", "english": 140},
{"class": 2, "name": "gg", "english": 130},
{"class": 2, "name": "hh", "english": 130},
{"class": 3, "name": "tt", "english": 130},
{"class": 4, "name": "xx", "english": 130},
{"class": 4, "name": "yy", "english": 130},
{"class": 5, "name": "zz", "english": None},
])
|
2、分组取第二大的数据
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
def fun(df):
# english数据去重
sort_set = set(df["english"].values.tolist())
if len(sort_set)<=1:
# 数据量小于等于1，无法取到第二大的数据
return None
else:
# 取english中第二大的值
sort_value = sorted(sort_set,reverse=True)[1]
temp_df = df[df["english"]==sort_value]
return temp_df
df = df.groupby(by=["class"]).apply(fun).reset_index(drop=True)
print(df)
|
结果如下：
|
1
2
3
4
5
6
|
class name english
0 1 bb 110.0
1 1 cc 110.0
2 1 dd 110.0
3 2 gg 130.0
4 2 hh 130.0
|
3、写完啦，就这么简单
当然这还可以改为取最大、取最小、取第三大、等等......
补充：pandas 按某一列A排序，按B和C两列分组，选择分组后A列值最大的行
pandas 按某一列A排序，按B和C两列分组，选择分组后A列值最大的行
一、需求
按 updateTime 列倒序排序，按 B 和 C 两列分组，分组后选择最后更新的时间的那一行，并将结果加上新索引。
二、代码
|
1
2
3
4
|
import pandas as pd
data = pd.read_csv('test.csv')
df = pd.DataFrame(data)
df = df.sort_values('updateTime', ascending=False).groupby(['B','C']).first().reset_index()
|
first() 函数代表选择第一行，如果要选取多行，可以使用 head() 函数： head(5)表示选择前五行。
如下例：
|
1
2
3
4
5
|
import pandas as pd
data = pd.read_csv('test.csv',header = 0)
df = pd.DataFrame(data)
# 按日期分组，分组后对 value 列从大到小排序，取每组前十行
df = df.groupby('date', group_keys=False).apply(lambda x: x.sort_values('value', ascending=False)).groupby('date').head(10).reset_index()
|
在不能直接使用sort_values() 函数时，使用 apply() 函数。
以上为个人经验，希望能给大家一个参考，也希望大家多多支持服务器之家。如有错误或未考虑完全的地方，望不吝赐教。
原文链接：https://blog.csdn.net/weixin_42060598/article/details/102970172