有时，提前排序整个数据非常耗时。 我们可以先分组，然后对每一组做topk:

g = df.groupby(['id']).apply(lambda x: x.nlargest(topk,['value'])).reset_index(drop=True)

df.groupby('id').apply(lambda x : x.sort_values(by = 'value', ascending = False).head(2).reset_index(drop = True))

这里的排序值升序为false，类似于nbiggest, True类似于nminimal。 头部内的值与我们在nbiggest内给出的值相同，以获得每个组要显示的值的数量。 Reset_index是可选的，不是必需的。

你试过了吗

df.groupby('id').head(2)

输出生成:

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

(请记住，你可能需要排序/排序之前，取决于你的数据)

编辑:正如提问者提到的，使用

df.groupby('id').head(2).reset_index(drop=True)

删除MultiIndex并平化结果:

    id  value
0   1      1
1   1      2
2   2      1
3   2      2
4   3      1
5   4      1

从0.14.1开始，你现在可以在groupby对象上执行nmaximum和nleast:

In [23]: df.groupby('id')['value'].nlargest(2)
Out[23]: 
id   
1   2    3
    1    2
2   6    4
    5    3
3   7    1
4   8    1
dtype: int64

有点奇怪的是，这里也有原始下标，但这可能很有用，这取决于原始下标是什么。

如果你对它不感兴趣，你可以执行.reset_index(level=1, drop=True)来完全摆脱它。

(注意:从0.17.1开始，你也可以在DataFrameGroupBy上做到这一点，但目前它只适用于Series和SeriesGroupBy)

有时，提前排序整个数据非常耗时。 我们可以先分组，然后对每一组做topk:

g = df.groupby(['id']).apply(lambda x: x.nlargest(topk,['value'])).reset_index(drop=True)

要获得每个组的前N行，另一种方法是通过groupby().nth[:N]。此调用的结果与groupby().head(N)相同。例如，对于每个id的前2行，调用:

N = 2
df.groupby('id', as_index=False).nth[:N]

要获得每个组中最大的N个值，首先按“id”和“value”排序(确保通过适当地使用升序参数将id按升序排序，将“value”按降序排序)，然后调用groupby().nth[]。

N = 2
df.sort_values(by=['id', 'value'], ascending=[True, False]).groupby('id', as_index=False).nth[:N]

这比在这里(1,2)的其他答案中建议的groupby().apply()调用快得多。在一个包含100k行和8000个组的示例中，%timeit测试表明它比这些解决方案快24-70倍。

此外，除了切片，你还可以将list/tuple/range传递给.nth()调用:

df.groupby('id', as_index=False).nth([0,1])
df.groupby('id', as_index=False).nth([0,2])  # <-- doesn't even have to be consecutive; 
                                             #     this returns 1st and 3rd row of each id