如何以Python方式获取numpy argwhere函数的最大值

我想使用 numpy argwhere 来查找数据中的最大值在哪里。下面是一个示例集，描述了我正在做的事情：

bins = np.arange(10)
data = np.array([[6],[4],[8],[5]])
np.argwhere(bins<data)

array([[0, 0],
       [0, 1],
       [0, 2],
       [0, 3],
       [0, 4],
       [0, 5],
       [1, 0],
       [1, 1],
       [1, 2],
       [1, 3],
       [2, 0],
       [2, 1],
       [2, 2],
       [2, 3],
       [2, 4],
       [2, 5],
       [2, 6],
       [2, 7],
       [3, 0],
       [3, 1],
       [3, 2],
       [3, 3],
       [3, 4]])

我想从这个数据中得到的是

array([[0,5],
       [1,3],
       [2,7],
       [3,4]])

这可以通过 for 循环来完成，但我想知道是否有更 Pythonic 的方法来做到这一点。

EDIT:

我现在所做的是使用 Pandas 和 groupby。我仍然想知道这是否是最好的方法。

t = pd.DataFrame(np.argwhere(bins<data))
time = t.groupby(0)
time.max()

   1
0   
0  5
1  3
2  7
3  4

现在我有了这个，我有一个新问题。假设我有另一组数据：

BigData = np.array([[0,1,2,3,4,5,6,7,8,9],
                   [0,1,2,3,4,5,6,7,8,9],
                   [0,1,2,3,4,5,6,7,8,9],
                   [0,1,2,3,4,5,6,7,8,9]])

我如何使用我获得的数组

array([[0,5],
       [1,3],
       [2,7],
       [3,4]])

放入此新数据以获得第二列中索引的 BigData 平均值。 IE

(0+1+2+3+4) / 5
(0+1+2) / 3
(0+1+2+3+4+5+6) / 7
(0+1+2+3) / 4

将是 BigData 的返回值，假设我们获得了第二列中发生这种情况的索引值。

这是一个相当短但速度也相当快的 Numpy 解决方案：

A = np.argwhere(bins<data)
print A[np.r_[A[1:,0] != A[:-1,0], True]]