如何识别Python pandas Dataframe中重复行的第一次出现

时间:2013-02-19 08:28:06

标签: python-2.7 dataframe pandas

我有一个pandas DataFrame,其中包含一组列的重复值。例如:

df = pd.DataFrame({'Column1': {0: 1, 1: 2, 2: 3}, 'Column2': {0: 'ABC', 1: 'XYZ', 2: 'ABC'}, 'Column3': {0: 'DEF', 1: 'DEF', 2: 'DEF'}, 'Column4': {0: 10, 1: 40, 2: 10})

In [2]: df
Out[2]: 
   Column1 Column2 Column3  Column4 is_duplicated  dup_index
0        1     ABC     DEF       10         False          0
1        2     XYZ     DEF       40         False          1
2        3     ABC     DEF       10          True          0

行(1)和(3)相同。基本上,Row(3)是Row(1)的副本。

我正在寻找以下输出:

Is_Duplicate,包含行是否重复[可以通过使用"重复"数据帧列上的方法(Column2,Column3和Column4)]

Dup_Index重复行的原始索引。

In [3]: df
Out[3]: 
   Column1 Column2 Column3  Column4  Is_Duplicate  Dup_Index
0        1     ABC     DEF       10         False          0
1        2     XYZ     DEF       40         False          1
2        3     ABC     DEF       10          True          0

2 个答案:

答案 0 :(得分:14)

第一列有一个DataFrame方法duplicated

In [11]: df.duplicated(['Column2', 'Column3', 'Column4'])
Out[11]: 
0    False
1    False
2     True

In [12]: df['is_duplicated'] = df.duplicated(['Column2', 'Column3', 'Column4'])

要做第二个,你可以尝试这样的事情:

In [13]: g = df.groupby(['Column2', 'Column3', 'Column4'])

In [14]: df1 = df.set_index(['Column2', 'Column3', 'Column4'])

In [15]: df1.index.map(lambda ind: g.indices[ind][0])
Out[15]: array([0, 1, 0])

In [16]: df['dup_index'] = df1.index.map(lambda ind: g.indices[ind][0])

In [17]: df
Out[17]: 
   Column1 Column2 Column3  Column4 is_duplicated  dup_index
0        1     ABC     DEF       10         False          0
1        2     XYZ     DEF       40         False          1
2        3     ABC     DEF       10          True          0

答案 1 :(得分:3)

假设您的数据框存储在df

您可以使用groupby获取数据帧的非重复行。在这里,我们必须忽略不属于数据的Column1:

df_nodup = df.groupby(by=['Column2', 'Column3', 'Column4']).first()

然后,您可以使用merge函数将此新数据框与原始数据框合并:

df = df.merge(df_nodup, left_on=['Column2', 'Column3', 'Column4'], right_index=True, suffixes=('', '_dupindex'))

您最终可以使用数据框中合并的_dupindex列来进行简单的数学运算以添加所需的列:

df['Is_Duplicate'] = df['Column1']!=df['Column1_dupindex']
df['Dup_Index'] = None
df['Dup_Index'] = df['Dup_Index'].where(df['Column1_dupindex']==df['Column1'], df['Column1_dupindex'])
del df['Column1_dupindex']