Question

我的数据框有两列，A和B。在这种情况下，A和B的顺序并不重要;例如，我认为(0,50)和(50,0)是重复的。在pandas中，从数据框中删除这些重复项的有效方法是什么？

import pandas as pd

# Initial data frame.
data = pd.DataFrame({'A': [0, 10, 11, 21, 22, 35, 5, 50], 
                     'B': [50, 22, 35, 5, 10, 11, 21, 0]})
data
    A   B
0   0  50
1  10  22
2  11  35
3  21   5
4  22  10
5  35  11
6   5  21
7  50   0

# Desired output with "duplicates" removed. 
data2 = pd.DataFrame({'A': [0, 5, 10, 11], 
                      'B': [50, 21, 22, 35]})
data2
    A   B
0   0  50
1   5  21
2  10  22
3  11  35

理想情况下，输出将按列A的值进行排序。

Answer 1

您可以在删除重复项之前对数据框的每一行进行排序：

data.apply(lambda r: sorted(r), axis = 1).drop_duplicates()

#   A    B
#0  0   50
#1  10  22
#2  11  35
#3  5   21

如果您希望结果按列A排序：

data.apply(lambda r: sorted(r), axis = 1).drop_duplicates().sort_values('A')

#   A    B
#0  0   50
#3  5   21
#1  10  22
#2  11  35

Answer 2

这有点丑陋，但更快的解决方案：

In [44]: pd.DataFrame(np.sort(data.values, axis=1), columns=data.columns).drop_duplicates()
Out[44]:
    A   B
0   0  50
1  10  22
2  11  35
3   5  21

时间：8K行DF

In [50]: big = pd.concat([data] * 10**3, ignore_index=True)

In [51]: big.shape
Out[51]: (8000, 2)

In [52]: %timeit big.apply(lambda r: sorted(r), axis = 1).drop_duplicates()
1 loop, best of 3: 3.04 s per loop

In [53]: %timeit pd.DataFrame(np.sort(big.values, axis=1), columns=big.columns).drop_duplicates()
100 loops, best of 3: 3.96 ms per loop

In [59]: %timeit big.apply(np.sort, axis = 1).drop_duplicates()
1 loop, best of 3: 2.69 s per loop

Answer 3

df.T.apply(sorted).T.drop_duplicates()

Answer 4

现在此解决方案有效，

data.set_index(['A','B']).stack().drop_duplicates().unstack().reset_index()

可以根据需要添加更多列。例如

data.set_index(['A','B', 'C']).stack().drop_duplicates().unstack().reset_index()

Answer 5

这是一个有点冗长的解决方案，但可能对初学者有帮助 -

创建新列以对 A 列和 B 列中的值进行跨行排序 -

data['C'] = np.where(data['A']<data['B'] , data['A'], data['B'])
data['D'] = np.where(data['A']>data['B'] , data['A'], data['B'])

按照相关要求删除重复项并按列“C”排序并重命名列

data2 = data[['C', 'D']].drop_duplicates().sort_values('C')
data2.columns = ['A', 'B']   
data2

PS - "np.where" 函数的工作原理类似于 Excel 中的 If 公式（逻辑条件，值为 TRUE，值为 FALSE）

Pandas：从数据框中删除反向重复项

5 个答案: