Question

     address    issue
row_1   1   No Issue
row_2   1   Value
row_3   1   None
row_4   2   None
row_5   2   Test
row_6   2   None
row_7   3   Example
row_8   4   None
row_9   5   None
row_10  5   None
row_11  5   None
row_12  5   None
row_13  6   No Issue
row_14  6   Example
row_15  6   None

鉴于上述数据框，我想在“地址”列中删除重复项。但是，对于每个重复的组，我要保留具有问题列值的行在下面的列表中，其余的保留。

issue_list = ['Value', 'Test', 'Example', 'Sample', 'Signal']

如果重复组在上面的列表中没有任何发行值（例如address == 5如何具有所有“ None”发行值），则可以删除重复项而不必担心保留哪个，但是我这样做想要保留至少一个。

因此所需的输出数据帧将如下所示：

     address    issue
row_2   1   Value
row_5   2   Test
row_7   3   Example
row_8   4   None
row_12  5   None
row_14  6   Example

到目前为止，我已经尝试了很多事情，但我觉得我很困。似乎一个好选择是在删除重复项之前对问题列进行排序，但是我的问题是数据没有得到很好的维护，“无”问题可能是任何响应（无问题，否，拼写错误），使它们按字母顺序排列系统不可靠。展望未来，更多的问题将被添加到issue_list中，因此我试图利用值列表。我也有想法将问题整理成数字，然后以这种方式进行排序，但是在采取这一步骤之前，我想我会在这里提出问题，因为我认为应该找到解决方案。我尝试过：

df.loc[(df['issue'].isin(issue_list)) | ~df['address'].duplicated(keep=False)]

哪个返回：

    address issue
row_2   1   Value
row_5   2   Test
row_7   3   Example
row_8   4   None
row_14  6   Example

哪个位置接近，但它会跳过地址5（具有所有“无”发布值的地址）。抱歉，如果这是一个重复的问题，我在drop_duplicates函数周围发现了很多问题，但我的情况似乎更加独特。

感谢您的时间和帮助。

Answer 1

我们可以将其分成几个步骤：

第1步：为issue_list

中的行创建一个布尔值

df["issue_isin_list"] = df.issue.isin(issue_list)

第2步：为每行创建一个分组，并获取新创建的布尔列的总和：

df["issue_temp"] = df.groupby("address").issue_isin_list.transform(sum)

第3步：在df.issue_isin_list == 1或df.issue_temp == 0处创建一个过滤器：

filter_condition = (df.issue_isin_list == 1) | (df.issue_temp == 0)

步骤4：现在使用上述条件进行过滤，并将重复项放在address和issue列上：

df.loc[filter_condition, ["address", "issue"]].drop_duplicates(["address", "issue"])

        address issue
row_2   1   Value
row_5   2   Test
row_7   3   Example
row_8   4   None
row_9   5   None
row_14  6   Example

在数据框中按列a删除重复的行，同时保留包含列b中列表中的值的行

1 个答案: