我得到：“ ValueError：索引包含重复的条目，无法重塑”
我正在使用的数据非常庞大，我无法提供示例数据，也无法使用较小的数据集复制错误。我试图用虚拟数据生成重复项以复制我的原始帧，但由于某些神秘的原因，该代码仅适用于虚拟数据，不适用于我的真实数据。这就是我所知道的形状。
df.shape
>> (6820, 26)
df.duplicated()
>> 0 False
>> 1 False
>> 2 False
>> ...
>> 6818 False
>> 6819 False
>> Length: 6820, dtype: bool
现在我想找出哪些行是重复的。
df[df.duplicated(keep=False)]
>> 0 rows × 26 columns
只是为了确保我删除所有重复项，而只保留第一个重复项：
df = df.drop_duplicates(keep='first')
这是我遇到ValueError的时候：
df2 = df.melt('Release')\
.assign(variable = lambda x: x.variable.map({'Created Date':1,'Finished Date':-1}))\
.pivot('value','Release','variable').fillna(0)\
.rename(columns = lambda c: f'{c} netmov' )
---> 33 .pivot('value','Release','variable').fillna(0)\
ValueError: Index contains duplicate entries, cannot reshape
通过进一步调查，似乎不是重复的行而是索引。我尝试使用df.reset_index（）重置索引，但它会引发相同的ValueError。
编辑：
我可以提供应该复制我正在使用的框架的虚拟数据（只是几个不需要的列）
df = pd.DataFrame({'name': ["Peter", "Anna", "Anna", "Peter", "Simon", "Johan", "Nils", "Oskar", "Peter"]
, 'Deposits': ["2019-03-07", "2019-03-08", "2019-03-12", "2019-03-12", "2019-03-14", "2019-03-07", "2019-03-08", "2016-03-07", "2019-03-07"]
, 'Withdrawals': ["2019-03-11", "2019-03-19", "2019-05-22", "2019-10-31", "2019-04-05", "2019-03-11", "NaN", "2017-03-06", "2019-03-11"]})
df.duplicated()
0 False
1 False
2 False
.....
7 False
8 True
dtype: bool
df = df.drop_duplicates(keep='first')
df2 = df.melt('name')\
.assign(variable = lambda x: x.variable.map({'Deposits':1,'Withdrawals':-1}))\
.pivot('value','name','variable').fillna(0)\
.rename(columns = lambda c: f'{c} netmov' )
df2 = pd.concat([df2,df2.cumsum().rename(columns = lambda c: c.split()[0] + ' balance')], axis = 1)\
.sort_index(axis=1)
print(df2.head())
name Anna balance Anna netmov Johan balance Johan netmov \
value
2016-03-07 0.0 0.0 0.0 0.0
2017-03-06 0.0 0.0 0.0 0.0
2019-03-07 0.0 0.0 1.0 1.0
2019-03-08 1.0 1.0 1.0 0.0
2019-03-11 1.0 0.0 0.0 -1.0
即使DataFrame中存在重复项，此操作也将平稳运行。
最好不要重复，因为“ Anna”一天可能有4次存款和4次提款，所以我想计算所有这些。
我正在使用的数据框：
df = df.drop_duplicates().reset_index(drop=True)
df = df.drop(['id'], axis=1)
df
Output:
name Deposits Withdrawals
0 Anna 2020-07-31 NaN
1 Peter 2020-07-30 NaN
2 Simon 2020-07-30 NaN
3 Simon 2020-07-29 NaN
4 Simon 2020-07-29 NaN
... ... ... ...
6154 Peter 2014-01-22 2014-02-03
6155 Peter 2014-01-22 2014-01-29
6156 Peter 2014-01-22 2014-01-24
6157 Peter 2014-01-21 2014-01-29
6158 Peter 2014-01-15 2014-02-03
6159 rows × 3 columns
更新：向社区大喊帮助我解决此问题。
这解决了问题：
df.Deposits = pd.to_datetime(df.Deposits)
df.Withdrawals = pd.to_datetime(df.Withdrawals)
df2 = (
df.melt('name')
.assign(variable = lambda x: x.variable.map({'Deposits':1,'Withdrawals':-1}))
.dropna(subset=['value']) # you need this for cases like Nils's Withdrawal
)
df2 = df2.groupby(['value', 'name']).sum().unstack(fill_value=0).droplevel(0, axis=1)
df2 = (
pd.concat([df2, df2.cumsum()], keys=['netmov', 'balance'], axis=1)
notice how concat has the functionality you want for naming columns
and is a better idea to have netmov/balance in a separate level
in case you want to groupby or .loc later on
.reorder_levels([1, 0], axis=1).sort_index(axis=1)
)
尽管偶然发现下一个问题，但与此无关。当将此DataFrame转换为json时，出于某种原因，它将日期转换为另一种格式。
data = df2.to_json()
print(data)
{
"Peter":
{
"1389744000000": 0,
"1390262400000": 0,
"1390348800000": 0,
"1390521600000": 0,
.....
.....
}
}
总是有其他东西，呵呵。虽然有帮助，但我几乎能触及球门线。
答案 0 :(得分：2)
当一个名称在完全相同的存款/取款日期中出现多次变动（因此重复出现）时，似乎会出现问题。数据框.pivot方法无法处理重复的索引，它不是为此设计的。为了您的分析目的，.pivot_table可以解决问题，主要区别在于，该函数可以应用聚合函数来处理重复索引（在这种情况下为总和）。 https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.pivot_table.html
我个人倾向于将.groupby用于此类问题，因为它不仅提供了按df中列的任意组合进行分组的功能，而且还可以包括外生系列，计算，索引或索引级别自我或其他，面具等。
所以我的代码是：
df.Deposits = pd.to_datetime(df.Deposits)
df.Withdrawals = pd.to_datetime(df.Withdrawals) # this parsing probably happens in read_csv
df2 = (
df.melt('name')
.assign(variable = lambda x: x.variable.map({'Deposits':1, 'Withdrawals':-1}))
# use lambda if you must
# replace on 'variable' after creating df2 would also work
# and is probably faster for larger dfs
.dropna(subset=['value']) # you need this for cases like Nils's Withdrawal
)
df2 = df2.groupby(['value', 'name']).sum().unstack(fill_value=0).droplevel(0, axis=1)
df2 = (
pd.concat([df2, df2.cumsum()], keys=['netmov', 'balance'], axis=1)
# notice how concat has the functionality you want for naming columns
# and is a better idea to have netmov/balance in a separate level
# in case you want to groupby or .loc later on
.reorder_levels([1, 0], axis=1).sort_index(axis=1)
)
输出
name Anna Johan Nils ... Oskar Peter Simon
balance netmov balance netmov balance ... netmov balance netmov balance netmov
value ...
2016-03-07 0 0 0 0 0 ... 1 0 0 0 0
2017-03-06 0 0 0 0 0 ... -1 0 0 0 0
2019-03-07 0 0 1 1 0 ... 0 2 2 0 0
2019-03-08 1 1 1 0 1 ... 0 2 0 0 0
2019-03-11 1 0 0 -1 1 ... 0 0 -2 0 0
2019-03-12 2 1 0 0 1 ... 0 1 1 0 0
2019-03-14 2 0 0 0 1 ... 0 1 0 1 1
2019-03-19 1 -1 0 0 1 ... 0 1 0 1 0
2019-04-05 1 0 0 0 1 ... 0 1 0 0 -1
2019-05-22 0 -1 0 0 1 ... 0 1 0 0 0
2019-10-31 0 0 0 0 1 ... 0 0 -1 0 0