Question

我正在尝试将多组行组合在一起，以使用python和pandas删除CSV中的重复项。基于公共值，'ID'，如果存在重复行，则另一列'HostAffected'中的值应与换行符组合。与此帖子类似：enter link description here但是我需要保留所有等同于相同ID的exisitng值。我已经使用下面的代码作为示例对列进行了类似的操作，但它并不完全相同：

df = pd.read_csv("output.csv")

cols = ['Host','Protocol','Port']
newcol = ['/'.join(i) for i in zip(df['Host'],df['Protocol'],df['Port'].map(str))]
df = df.assign(HostAffected=newcol).drop(cols, 1)

到目前为止我有这个代码：

df.groupby(['Plugin ID','Description])[HostAffected'].apply(list)

改编自这个帖子：enter link description here但是这不起作用。

我会看到一组示例数据：

PluginID    Description HostAffected
10395   Windows SMB Shares Enumeration  10.0.0.10/tcp/445
10396   Windows SMB Shares Access   10.0.0.10/tcp/445
10396   Windows SMB Shares Access   192.168.0.12/tcp/445
10398   Windows SMB LsaQueryInformationPolicy   10.0.0.10/tcp/445
10399   SMB Use Domain SID to Enumerate Users   10.0.0.10/tcp/445
10400   Windows SMB Registry Remotely Accessible    10.0.0.10/tcp/445
10736   DCE Services Enumeration    10.0.0.10/tcp/139
10736   DCE Services Enumeration    10.0.0.10/tcp/445
10736   DCE Services Enumeration    192.168.0.12/tcp/445

值以逗号分隔，但我使用空格使其更清晰。我希望它看起来像这样，“插件ID”和“描述”只有一个唯一的行，并且“HostAffected”列被合并：

ID  Description HostAffected
10395   Windows SMB Shares Enumeration  10.0.0.10/tcp/445
10396   Windows SMB Shares Access   10.0.0.10/tcp/445
192.168.0.12/tcp/445
10398   Windows SMB LsaQueryInformationPolicy   10.0.0.10/tcp/445
10399   SMB Use Domain SID to Enumerate Users   10.0.0.10/tcp/445
10400   Windows SMB Registry Remotely Accessible    10.0.0.10/tcp/445
10736   DCE Services Enumeration    10.0.0.10/tcp/139
10.0.0.10/tcp/445
192.168.0.12/tcp/445

对于多组HostsAffected，基本上可能存在相同的ID和描述。任何帮助都将非常感激，因为这比将列组合在一起稍微复杂和具有挑战性。

Answer 1

评论结束后，如果apply和join跟line break进行搜索，则我们会得到strip：

df['Description'] = df['Description'].str.strip()

(df.groupby(['Plugin ID','Issue'])['HostAffected']
   .apply('\n'.join)
   .reset_index())

合并行以删除CSV Python和Pandas中的重复项

1 个答案: