[英]How to keep first two duplicates in a pandas dataframe?
关于在数据框中查找重复项并使用特定列删除数据框中的重复项,我有一个问题。 这是我要完成的工作:
是否可以删除重复项但保留前两个?
这是我当前的数据框df的示例,请看一下下面放置的方括号内的注释,以使您有所了解。
注意:如果'Roll'= 1,那么我想查看Date列,看看该列中是否还有第二个重复的Date ...保留这两个并删除其他任何日期。
Date Open High Low Close Roll Dupes
1 19780106 236.00 237.50 234.50 235.50 0 NaN
2 19780113 235.50 239.00 235.00 238.25 0 NaN
3 19780120 238.00 239.00 234.50 237.00 0 NaN
4 19780127 237.00 238.50 235.50 236.00 1 NaN (KEEP)
5 19780203 236.00 236.00 232.25 233.50 0 NaN (KEEP)
6 19780127 237.00 238.50 235.50 236.00 0 NaN (KEEP)
7 19780203 236.00 236.00 232.25 233.50 0 NaN (DELETE)
8 19780127 237.00 238.50 235.50 236.00 0 NaN (DELETE)
9 19780203 236.00 236.00 232.25 233.50 0 NaN (DELETE)
这是当前正在删除重复对象的东西,但正在删除所有重复对象(显然)
df = df.drop_duplicates('Date')
编辑:我忘了提些什么,我要保留的唯一重复项是,如果列'Roll'= 1,如果保留的话,则保留该行以及根据列'Date'匹配的下一行
将head
与groupby一起使用可在每个组中保留前x个条目,我认为这可以满足您的要求。
In [52]: df.groupby('Date').head(2)
Out[52]:
Date Open High Low Close Roll
1 19780106 236.0 237.5 234.50 235.50 0
2 19780113 235.5 239.0 235.00 238.25 0
3 19780120 238.0 239.0 234.50 237.00 0
4 19780127 237.0 238.5 235.50 236.00 0
5 19780203 236.0 236.0 232.25 233.50 0
6 19780127 237.0 238.5 235.50 236.00 0
7 19780203 236.0 236.0 232.25 233.50 0
编辑:
In [16]: df['dupe_count'] = df.groupby('Date')['Roll'].transform('max') + 1
In [17]: df.groupby('Date', as_index=False).apply(lambda x: x.head(x['dupe_count'].iloc[0]))
Out[17]:
Date Open High Low Close Roll Dupes dupe_count
0 1 19780106 236.0 237.5 234.50 235.50 0 NaN 1
1 2 19780113 235.5 239.0 235.00 238.25 0 NaN 1
2 3 19780120 238.0 239.0 234.50 237.00 0 NaN 1
3 4 19780127 237.0 238.5 235.50 236.00 1 NaN 2
6 19780127 237.0 238.5 235.50 236.00 0 NaN 2
4 5 19780203 236.0 236.0 232.25 233.50 0 NaN 1
假设Roll
只能取值0和1,如果您这样做
df.groupby(['Date', 'Roll'], as_index=False).first()
您将获得两行日期,其中某一行的Roll = 1
,只有一行日期的Roll = 0
,这就是您想要的。
如果通过as_index=False
传递,则组密钥不会像您的注释中所讨论的那样最终出现在索引中。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.