如何标记熊猫数据框中的重复行

Question

我得到了这个数据框，并想添加一列以指示client_id是否存在一次以上。

client     age-group     category
1       <18           basic
1       <18           premium
2       <18           premium
3       <18           premium
4       18-24           basic
5       18-24           basic
6       <18           basic
5       <18           premium
2       <18           basic
7       <18           basic

收件人：

client     age-group     category      regular_client
1       <18           basic            yes
1       <18           premium          yes
2       <18           premium          yes
3       <18           premium          no
4       18-24           basic          no
5       18-24           basic          yes
6       <18           basic            no
5       <18           premium          yes
2       <18           basic            yes
7       <18           basic            no

我知道的唯一方法是

for idx, _ in df.iterrows():

但是我很确定有更快更容易的可能性。

Answer 1

使用Series.duplicated + Series.map：

df['regular_client'] = df['client'].duplicated(keep=False).map({True:'yes', False:'no'})

或Series.duplicated + np.where，

df['regular_client'] = np.where(df['client'].duplicated(keep=False), 'yes', 'no')

结果：

   client age-group category regular_client
0       1       <18    basic            yes
1       1       <18  premium            yes
2       2       <18  premium            yes
3       3       <18  premium             no
4       4     18-24    basic             no
5       5     18-24    basic            yes
6       6       <18    basic             no
7       5       <18  premium            yes
8       2       <18    basic            yes
9       7       <18    basic             no

Answer 2

df.iterrows()并不是一个很好的解决方案，因为那样一来，您只能访问当前行，而您需要检查是否有更多具有相同 client 客户端的行。

使用：

df['regular_client'] = np.where(df.duplicated(subset=['client'], keep=False), 'yes', 'no')

Answer 3

仅计算客户的出现次数：

df['regular_client'] = df.groupby('x')['x'].transform('count').gt(1).map({True: 'Yes', False: 'No'})

当count大于1时，客户是固定的。