Question

假设我们有一个具有重复行的数据框df。我想存储唯一行的ID，以便每个行都有一个关联的整数列表（它们在数据框中显示的ID）。

让我展示一个例子：

import numpy as np
import pandas as pd

np.random.seed(0)
m = ['a','b']
M = ['X','Y']
n = np.arange(3)
size = 10
df = pd.DataFrame({'m': np.random.choice(m, size=size, replace=True),
                   'M': np.random.choice(M, size=size, replace=True),
                   'n': np.random.choice(n, size=size, replace=True)})

这将生成以下数据框：

我相信我想做类似df.groupby(df.columns.tolist()).size()的事情，但是我不想获得出现的次数，而是要获得出现的位置。因此，在这种情况下，所需的输出将是（例如，以字典形式）：

output = {('a','Y',1):[3],
          ('a','Y',2):[0],
          ('b','X',0):[2,7],
          ('b','X',1):[4,5,6,8],
          ('b','X',2):[1],
          ('b','Y',0):[9]
          }

我该怎么做？这样做的想法是尽可能地高效，因为数据框可以具有几列和成千上万（甚至几百万）行。

Answer 1

您有groups

df.groupby(list(df)).groups
Out[176]: 
{('a', 'Y', 1): Int64Index([3], dtype='int64'),
 ('a', 'Y', 2): Int64Index([0], dtype='int64'),
 ('b', 'X', 0): Int64Index([2, 7], dtype='int64'),
 ('b', 'X', 1): Int64Index([4, 5, 6, 8], dtype='int64'),
 ('b', 'X', 2): Int64Index([1], dtype='int64'),
 ('b', 'Y', 0): Int64Index([9], dtype='int64')}

在熊猫中获取数据框中重复行的所有ID

1 个答案: