Question

我编写了一个程序（在Python 3.6中），它试图将用户csv / excel的列映射到我拥有的模板xls。到目前为止这么好但是这个过程的一部分必须是用户的数据处理，它们是联系人。例如，我想删除重复项，合并数据等。为此，我需要将每一行与所有其他行进行比较，这是很昂贵的。我阅读的每个用户的csv都有~2000-4000行，但我希望它对更多行有效。我已将数据存储在pd.DataFrame中。

除了蛮力之外，还有更有效的方法进行比较吗？

由于

Answer 1

首先，您尝试过哪些代码？

但是要删除重复项，这在熊猫中非常容易。示例如下：

import pandas as pd
import numpy as np
# Creating the Test DataFrame below -------------------------------
dfp = pd.DataFrame({'A' : [np.NaN,np.NaN,3,4,5,5,3,1,5,np.NaN], 
                    'B' : [1,0,3,5,0,0,np.NaN,9,0,0], 
                    'C' : ['AA1233445','A9875', 'rmacy','Idaho Rx','Ab123455','TV192837','RX','Ohio Drugs','RX12345','USA Pharma'], 
                    'D' : [123456,123456,1234567,12345678,12345,12345,12345678,123456789,1234567,np.NaN],
                    'E' : ['Assign','Unassign','Assign','Ugly','Appreciate','Undo','Assign','Unicycle','Assign','Unicorn',]})
print(dfp)

#Output Below----------------

     A    B           C            D           E
0  NaN  1.0   AA1233445     123456.0      Assign
1  NaN  0.0       A9875     123456.0    Unassign
2  3.0  3.0       rmacy    1234567.0      Assign
3  4.0  5.0    Idaho Rx   12345678.0        Ugly
4  5.0  0.0    Ab123455      12345.0  Appreciate
5  5.0  0.0    TV192837      12345.0        Undo
6  3.0  NaN          RX   12345678.0      Assign
7  1.0  9.0  Ohio Drugs  123456789.0    Unicycle
8  5.0  0.0     RX12345    1234567.0      Assign
9  NaN  0.0  USA Pharma          NaN     Unicorn


# Remove all records with duplicated values in column a:
# keep='first' keeps the first occurences.

df2 = dfp[dfp.duplicated(['A'], keep='first')]
#output
     A    B           C           D         E
1  NaN  0.0       A9875    123456.0  Unassign
5  5.0  0.0    TV192837     12345.0      Undo
6  3.0  NaN          RX  12345678.0    Assign
8  5.0  0.0     RX12345   1234567.0    Assign
9  NaN  0.0  USA Pharma         NaN   Unicorn

如果你想拥有一个没有dupes的新数据帧，可以检查所有列，请使用代字号。 ~运算符基本上是not equal to或!=运算符。官方文件here

df2 = dfp[~dfp.duplicated(keep='first')]

比较DataFrame所有行的最快方法

1 个答案: