Question

我有以下数据框＆＃39; matches_df＆＃39;，使用python 2.7：

name | opponent | date     | win
'Bob'    'Bill'   7/12/16     Y
'Mike'   'Matt'   4/15/18     N
'Tim'    'Tom'    1/1/11      N
'Bill'   'Bob'    7/12/16     N

我想要一个不包含重复游戏的列表。这些游戏具有相同的两个玩家（不一定在同一列中），并且发生在同一个日期。在上面的例子中，游戏1和游戏4是重复的。

为了解决这个问题，我尝试创建第4列game_id，它创建了前3列的排序组合。我想要这个结果：

name | opponent | date    | win | game_id
'Bob'    'Bill'   7/12/16    Y   '7/12/16 Bill Bob'  
'Mike'   'Matt'   4/15/18    N   '4/15/18 Matt Mike'
'Tim'    'Tom'    1/1/11     N   '1/1/11 Tim Tom'
'Bill'   'Bob'    7/12/16    N   '7/12/16 Bill Bob'

我使用了以下代码：

def sort_and_squash(a,b,c):
    return ''.join(sorted([str(a),str(b),str(c)]))
matches_df = matches_df.assign(game_id = lambda x: sort_and_squash(x.name,x.opponent,x.date))

但是，这不能按预期工作，在数据框中创建一个空白列。

我正在寻找帮助，无论是在我的代码中找到中间步骤的错误还是推荐替代方法。

Answer 1

对列['name', 'opponent']中的玩家进行排序如果它们是相同的但位于不同的位置，则排序将使它们处于相同的位置。

game_id_df = df[['date']].join(df[['name', 'opponent']].apply(sorted, 1))
print(game_id_df)

      date  name opponent
0  7/12/16  Bill      Bob
1  4/15/18  Matt     Mike
2   1/1/11   Tim      Tom
3  7/12/16  Bill      Bob

然后join字符串并添加列

df['game_id'] = game_id_df.apply(tuple, 1).str.join(' ')
print(df)

   name opponent     date win            game_id
0   Bob     Bill  7/12/16   Y   7/12/16 Bill Bob
1  Mike     Matt  4/15/18   N  4/15/18 Matt Mike
2   Tim      Tom   1/1/11   N     1/1/11 Tim Tom
3  Bill      Bob  7/12/16   N   7/12/16 Bill Bob

现在您可以使用game_id删除重复项

print(df.drop_duplicates(subset=['game_id']))

   name opponent     date win            game_id
0   Bob     Bill  7/12/16   Y   7/12/16 Bill Bob
1  Mike     Matt  4/15/18   N  4/15/18 Matt Mike
2   Tim      Tom   1/1/11   N     1/1/11 Tim Tom

Answer 2

虽然piRSquared已经回答了这个问题，但如果您更接近原始方法（或者您想了解原始方法无效的原因），您可以试试这个。

def sort_and_squash(df):
    return [' '.join(sorted([d.strftime('%m/%d/%Y'), n, o]))
            for d, n, o in zip(df.date, df.name, df.opponent)]

matches_df = matches_df.assign(game_id=sort_and_squash)

传递给assign方法的函数需要将数据帧作为参数，并期望返回整个新列。你需要像上面的列表理解这样的东西才能使它发挥作用。

>>> print matches_df
        date  name opponent win               game_id
0 2016-07-12   Bob     Bill   Y   07/12/2016 Bill Bob
1 2018-04-15  Mike     Matt   N  04/15/2018 Matt Mike
2 2011-01-01   Tim      Tom   N    01/01/2011 Tim Tom
3 2016-07-12  Bill      Bob   N   07/12/2016 Bill Bob

当然，这只是插入game_id列;它不会消除重复。要消除它们，您还需要：

matches_df = matches_df.drop_duplicates(subset=['game_id'])

然后：

>>> print matches_df
        date  name opponent win               game_id
0 2016-07-12   Bob     Bill   Y   07/12/2016 Bill Bob
1 2018-04-15  Mike     Matt   N  04/15/2018 Matt Mike
2 2011-01-01   Tim      Tom   N    01/01/2011 Tim Tom

最后一次触摸，如果您不再需要game_id列，可以将其删除：

matches_df = matches_df.drop('game_id', 1)

给你：

>>> print matches_df
        date  name opponent win
0 2016-07-12   Bob     Bill   Y
1 2018-04-15  Mike     Matt   N
2 2011-01-01   Tim      Tom   N

识别pandas数据帧中的重复项

2 个答案: