我试图在熊猫数据框中找到重复的行。
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
有没有一种方法可以添加引用第一个重复项的索引的列（保留一个）
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。
使用groupby，创建一个新的索引列，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
细节
我groupby首先输入两列，然后调用transform+idxmin以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布尔值掩码：
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。
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句