pandas idxmin() 最小值对应的索引

看过来

《pandas 教程》持续更新中，提供建议、纠错、催更等加作者微信: gairuo123（备注：pandas教程）和关注公众号「盖若」ID: gairuo。跟作者学习，请进入 Python学习课程。欢迎关注作者出版的书籍：《深入浅出Pandas》和《Python之光》。

idxmin() 是 pandas 中用于返回指定轴上最小值对应的索引的方法。它能帮助你快速找到数据中最小值的位置。

语法

返回请求轴上首次出现最小值的索引。NA/空值被排除在外。

DataFrame.idxmin(axis=0, skipna=True, numeric_only=False)

此方法是 ndarray.argmin 的 DataFrame 版本。

此方法是 ndarray.argmin 的Series版本。此方法返回最小值的标签，而ndarray.argmin返回位置。要获取位置，请使用series.values.argmin()。

适用数据类型

DataFrame
Series

参数意义

axis:
- 类型: int，可选，默认为 0
- 意义: 指定沿哪个轴寻找最小值的索引。0 表示按列（垂直方向）操作，1 表示按行（水平方向）操作。
skipna:
- 类型: bool，可选，默认为 True
- 意义: 是否跳过缺失值 (NaN)。如果为 True，则忽略缺失值；如果为 False，只要有 NaN 存在，结果就会返回 NaN。
numeric_only:
- 类型: bool，可选，默认为 False
- 意义: 如果为 True，只对数字类型数据进行操作，非数字类型的列将被忽略。

返回值

返回值类型:
- 如果对 DataFrame 进行操作，返回一个 Series，其中包含最小值对应的索引。
- 如果对 Series 进行操作，直接返回最小值对应的索引。

使用场景

数据分析: idxmin() 常用于数据分析过程中，以找到某列或某行的最小值的位置。
数据清洗: 在处理数据时，可能需要知道哪些数据行或列包含最小值。
可视化准备: 在数据可视化前，通过 idxmin() 可以确定某些关键点，比如找到销售数据中销量最低的日期。

示例

s = pd.Series(data=[1, None, 4, 1],
              index=['A', 'B', 'C', 'D'])
s
'''
A    1.0
B    NaN
C    4.0
D    1.0
dtype: float64
'''

s.idxmin()
# 'A'

# 如果skipna为False，并且数据中有NA值，则函数返回nan。
s.idxmin(skipna=False)
# nan

考虑一个包含阿根廷食品消费的数据集。

df = pd.DataFrame({'consumption': [10.51, 103.11, 55.48],
                    'co2_emissions': [37.2, 19.66, 1712]},
                  index=['Pork', 'Wheat Products', 'Beef'])
df
'''
                consumption  co2_emissions
Pork                  10.51         37.20
Wheat Products       103.11         19.66
Beef                  55.48       1712.00
'''

默认情况下，它返回每列中最小值的索引。

df.idxmin()
'''
consumption                Pork
co2_emissions    Wheat Products
dtype: object
'''

要返回每行中最小值的索引，请使用axis=“columns”。

df.idxmin(axis="columns")
'''
Pork                consumption
Wheat Products    co2_emissions
Beef                consumption
dtype: object
'''

案例

例1: 寻找列方向的最小值索引

import pandas as pd

# 构造示例数据
data = {
    'A': [3, 1, 4],
    'B': [2, 6, 5],
    'C': [7, 8, 9]
}
df = pd.DataFrame(data)

# 寻找每列最小值的索引
result = df.idxmin(axis=0)

print(df)
print(result)

输出:

'''
   A  B  C
0  3  2  7
1  1  6  8
2  4  5  9

A    1
B    0
C    0
dtype: int64
'''

在这个例子中，idxmin(axis=0) 返回的是每列中最小值的行索引。比如，A 列的最小值 1 出现在第 1 行，B 列的最小值 2 出现在第 0 行，C 列的最小值 7 也出现在第 0 行。

例2: 寻找行方向的最小值索引

import pandas as pd

# 构造示例数据
data = {
    'A': [3, 1, 4],
    'B': [2, 6, 5],
    'C': [7, 8, 9]
}
df = pd.DataFrame(data)

# 寻找每行最小值的索引
result = df.idxmin(axis=1)

print(df)
print(result)

输出:

'''
   A  B  C
0  3  2  7
1  1  6  8
2  4  5  9

0    B
1    A
2    A
dtype: object
'''

在这个例子中，idxmin(axis=1) 返回的是每行中最小值的列名。比如，第一行的最小值 2 出现在列 B，第二行的最小值 1 出现在列 A，第三行的最小值 4 也出现在列 A。

例3: 使用 skipna=False 处理缺失值

import pandas as pd
import numpy as np

# 构造示例数据
data = {
    'A': [np.nan, 2, 3],
    'B': [1, np.nan, 5],
    'C': [4, 6, np.nan]
}
df = pd.DataFrame(data)

# 使用 skipna=False
result = df.idxmin(axis=0, skipna=False)

print(df)
print(result)

输出:

'''
     A    B    C
0  NaN  1.0  4.0
1  2.0  NaN  6.0
2  3.0  5.0  NaN

A    2
B    2
C    0
dtype: int64
'''

在这个例子中，skipna=False 意味着如果列中存在 NaN，结果将会是 NaN 的索引。但是因为在列 A 和 B 中存在 NaN，结果返回了最后一个非缺失值的索引。

总结

idxmin() 方法是确定 DataFrame 或 Series 中最小值的位置的有用工具。它在数据分析、数据清洗和可视化准备过程中非常有效。通过调整参数，你可以灵活地处理包含缺失值的数据或指定需要操作的数据类型。

< idxmax() 最大值对应的索引 pandas 索引 Indexing reorder_levels() 重新排列 MultiIndex 索引级别顺序 >

更新时间：2024-08-09 09:01:16 标签：pandas python 最小值索引