Question

我正在尝试在pandas数据框中查找重复行。

df=pd.DataFrame(data=[[1,2],[3,4],[1,2],[1,4],[1,2]],columns=['col1','col2'])

df
Out[15]: 
   col1  col2
0     1     2
1     3     4
2     1     2
3     1     4
4     1     2

duplicate_bool = df.duplicated(subset=['col1','col2'], keep='first')
duplicate = df.loc[duplicate_bool == True]

duplicate
Out[16]: 
   col1  col2
2     1     2
4     1     2

有没有办法添加一个引用第一个副本（保留的副本）索引的列

duplicate
Out[16]: 
   col1  col2  index_original
2     1     2               0
4     1     2               0

注意：在我的情况下，df可能非常大......

Answer 1

使用groupby，创建新的索引列，然后调用duplicated：

df['index_original'] = df.groupby(['col1', 'col2']).col1.transform('idxmin')    
df[df.duplicated(subset=['col1','col2'], keep='first')]

   col1  col2  index_original
2     1     2               0
4     1     2               0

<强>详情

我groupby前两列，然后调用transform + idxmin获取每个组的第一个索引。

df.groupby(['col1', 'col2']).col1.transform('idxmin') 

0    0
1    1
2    0
3    3
4    0
Name: col1, dtype: int64

duplicated给我一个我想保留的值的布尔掩码：

df.duplicated(subset=['col1','col2'], keep='first')

0    False
1    False
2     True
3    False
4     True
dtype: bool

其余的只是布尔索引。

Answer 2

也许你不再需要这个答案了，但还有另一种方法可以找到重复的行：

df=pd.DataFrame(data=[[1,2],[3,4],[1,2],[1,4],[1,2]],columns=['col1','col2'])

鉴于上面的数据帧，您可以使用 groupby 没有戏剧性，但使用更大的数据帧会有点慢，而不是您可以使用

<块引用>

DataFrame.duplicated(subset=None, keep='first')

返回表示重复行的布尔系列。

正如 documenation 所说，它返回一个布尔系列，换句话说，一个布尔掩码，因此您可以使用该掩码操作 DataFrame，或者只是可视化重复的行：

>>> df[df.duplicated()]
   col1  col2
2     1     2
4     1     2

如果您有一个包含更多列的 DataFrame 并且您想按特定列查找重复的行，您可以为该函数提供一个要查找的列列表，例如以下 DataFrame：

# List of Tuples
students = [('jack', 34, 'Sydeny'),
            ('Riti', 30, 'Delhi'),
            ('Aadi', 16, 'New York'),
            ('Riti', 30, 'Delhi'),
            ('Riti', 30, 'Delhi'),
            ('Riti', 30, 'Mumbai'),
            ('Aadi', 40, 'London'),
            ('Sachin', 30, 'Delhi')
            ]
# Create a DataFrame object
df = pd.DataFrame(students, columns=['Name', 'Age', 'City'])

如果您想按所有列查找重复的行并将其可视化，请执行以下操作：

>>> df[df.duplicated()]
   Name  Age   City
3  Riti   30  Delhi
4  Riti   30  Delhi

但是如果您只想在仅考虑两列的情况下查找重复的行，例如“姓名”和“年龄”，只需执行以下操作：

>>> df[df.duplicated(['Name', 'Age'])]
   Name  Age    City
3  Riti   30   Delhi
4  Riti   30   Delhi
5  Riti   30  Mumbai

或者只是像“名称”这样的一列：

>>> df[df.duplicated(['Name'])]
   Name  Age    City
3  Riti   30   Delhi
4  Riti   30   Delhi
5  Riti   30  Mumbai
6  Aadi   40  London

上面的例子只返回了重复的行，而不是“原始的”，所以如果你看看这些例子，如果按照给定的条件有三个重复的行，那么只会返回两个。

在pandas数据框中查找重复的行

2 个答案: