Zastosuj warunek w kolumnie po groupby w pandach, a następnie zagreguj, aby uzyskać maksymalną wartość 2

Najpierw wyodrębnij wspólną część każdego pola (pierwsze litery), a następnie posortuj wartości (największe wartości idą w dół). Na koniec pogrupuj według kolumny data i serii field, a następnie zachowaj dwie ostatnie wartości (najwyższe):

field = df['field'].str.extract('([^\d]+)', expand=False)
out = df.sort_values('bcorr').groupby(['data', field]).tail(2).sort_index()
print(out)

# Output
   data field  bcorr
0     A   cs1    0.8
1     A   cs2    0.9
4     A   pq2    0.6
5     A   pq3    0.5
6     B   cs1    0.8
7     B   cs2    0.9
10    B   pq2    0.6
11    B   pq3    0.5

Jeśli pole ma tylko dwie stałe litery do określenia pola, możesz użyć df['field'].str[:2] zamiast df['field'].str.extract(...).

Możesz groupby w kolumnie pola daty i podciągu za pomocą str[:2], który przechwytuje znaki do drugiego i użyj head(2).

head zwraca pierwsze n wierszy, więc będziesz musiał wcześniej posortować dane.

df.sort_values(by=['data','bcorr'],ascending=False).groupby(['data',df.field.str[:2]]).head(2).sort_index()

  data field  bcorr
0     A   cs1    0.8
1     A   cs2    0.9
4     A   pq2    0.6
5     A   pq3    0.5
6     B   cs1    0.8
7     B   cs2    0.9
10    B   pq2    0.6
11    B   pq3    0.5

Podążając za powyższą logiką, używając tail(2) i sortując dane na odwrót, otrzymujesz ten sam wynik:

df.sort_values(by=['data','bcorr']).groupby(['data',df.field.str[:2]]).tail(2).sort_index()

EDYTUJ Jeśli chcesz uogólnić, aby zezwolić na dowolną liczbę niecyfrowych znaków w kolumnie pola, możesz użyć str.replace, aby zastąpić wszystkie znaki numeryczne pustymi w groupby:

df.sort_values(by=['data','bcorr']).groupby(['data',df.field.str.replace(r"[0-9]",'')]).tail(2).sort_index()

Oto jeden sposób:

(i) Utwórz nową kolumnę field_name z field, wybierając pierwsze elementy i użyj groupby na data i field_name i użyj nlargest, aby znaleźć dwie największe wartości dla każdej grupy do stworzenia serii temp

(ii) Używając indeksu temp utworzonego w (i), filtruj df

(iii) Przypisz temp do kolumny bcorr filtrowanej Dataframe z (ii)

temp = df.assign(field_name=df['field'].str[:2]).groupby(['data','field_name'])['bcorr'].nlargest(2).droplevel([0,1]).sort_index()
out = df.loc[temp.index]
out['bcorr'] = temp

Wynik:

   data field  bcorr
0     A   cs1    0.8
1     A   cs2    0.9
4     A   pq2    0.6
5     A   pq3    0.5
6     B   cs1    0.8
7     B   cs2    0.9
10    B   pq2    0.6
11    B   pq3    0.5

Wierzę, że to jest coś, co próbujesz osiągnąć

import pandas as pd

df = {'data': ['A', 'A', 'A', 'A', 'A', 'A', 'B', 'B', 'B', 'B', 'B', 'B'],
      'fie': ['cs1', 'cs2', 'cs3', 'pq1', 'pq2', 'pq3', 'cs1', 'cs2', 'cs3', 'pq1', 'pq2', 'pq3'],
      'bcorr': [0.8, 0.9, 0.7, 0.4, 0.6, 0.5, 0.8, 0.9, 0.7, 0.4, 0.6, 0.5]}

df = {'data': df['data'], 'fie_c': [x[:2] for x in df['fie']], 'fie_n': [x[2] for x in df['fie']],
      'bcorr': df['bcorr']}
df = pd.DataFrame(data=df)
df = df.sort_values('bcorr', ascending=False).groupby(by=['data', 'fie_c']).head(2).sort_values('data')
df['fie'] = df[['fie_c', 'fie_n']].apply(lambda x: '{}{}'.format(x[0], x[1]), axis=1)
df = df.drop(columns=['fie_c', 'fie_n'])
df = df[['data', 'fie', 'bcorr']]
print(df)

Wynik

   data  fie  bcorr
1     A  cs2    0.9
0     A  cs1    0.8
4     A  pq2    0.6
5     A  pq3    0.5
7     B  cs2    0.9
6     B  cs1    0.8
10    B  pq2    0.6
11    B  pq3    0.5

Zwróć uwagę, że kilka pierwszych linii może być bardziej przejrzystych, ale skupiłem się na linii

df = df.sort_values('bcorr', ascending=False).groupby(by=['data', 'fie_c']).head(2).sort_values('data')

Który wykonuje większość ważnej pracy.