есть таблица с полями id(уникальные значения), id_client(есть повторения), a, b, c, number, typ. нужно на выходе получить таблицу где остаются только уникальные значения id_client, при этом для каждой записи выбирается сначала максимум по полю typ, если таких значений несколько, то выбирается максимальное значение по полю number.
мое решение.
1. df_t = df[["id_client","number","typ"]].groupby("id_client").agg({"number": "max", "typ":"max"}).reset_index()
2. df.merge(df_t). мерджим по 3м полям "id_client","number","typ". подойдет ли такое решение?

Привет всем, возник вопрос, что можно сделать с такими данными, эпидсезон начинается с 40-41 до конца года, 52 недели + еще примерно 20 недель нового года и таких таблиц за три года есть (в идеале получить предикт на последние недели эпидсезонаисходя из первых - общее кол-во заболевших. Читал за Seasonal ARIMA и метод  Холта-Винтерса), но интересно даже в познавательных целях что можно почерпнуть с этого сета, спасибо за любые мысли.

@bound_soul у нас бот злой иногда :)

спасибо)

a agg разве словарь принимает? Если помнится по докам писалось делать agg(**{'name': 'func', 'name2': 'func3'}) . Дикт он же не упорядоченный (ну если не 3.6+) и может выйти сюрприз.

вот с доков

Note For Python 3.5 and earlier, the order of **kwargs in a functions was not preserved. This means that the output column ordering would not be consistent. To ensure consistent ordering, the keys (and so output columns) will always be sorted for Python 3.5.

df.sort_values(["typ", "number"]).groupby("id_client").last() а такое пойдет? сортируем сначала по полю typ, затем по number по убыванию и берем последние значения - это максимумы по данным целевым полям?

а да, можно и дикт подавать просто в agg, но почему бы просто не сделать аля agg(number='max', typ='max)

вот я сомневаюсь, говорят что просто выбирает максимум по 2 полям

Может тогда сгрупировать сначала по двум полям и аггрегировать по 3ему, потом сгрупировать по одному и аггрегация по второму? Если что я по пандас не профи 😊 Питонщик со стажем но ДС только учусь. Так что мои сообщения как размышление, а не руководство к действию

Есть сеть, которая предсказывает класс объекта и рисует вокруг него коробку. На даный момент поставил mse на координаты коробки и кросс энтропию на класссификацию. Режу выходной тензор на "коробочный" и "классификационный", считаю лоссы и складываю, предварительно помножив один из них на коэффициент.
Модель уж больно много внимания обращает на один из лоссов, как их сбалансировать?

Т.е. может быть 99% точности, но miou - 50, например

miou обычно в подобных пределах. Сегментация сложнее классификации.

Т.е. балансирование этих лоссов, скорее всего, не приведет к улучшению miou?

можете посмотреть результаты других сеток, которые есть в натренированном виде в торче.

смотрите раздел сегментация

Спасибо

Можно подобрать гипер параметры под лоссы или даже сделать подобные тоже обучаемыми параметрами, просто не ожидайте супер скачков.

Хм