在 Pandas GroupBy 中查找重复的值

Question

df = pd.DataFrame({'A': ['foo', 'bar', 'foo', 'bar',
                         'foo', 'bar', 'foo', 'foo'],
                   'B': ['one', 'one', 'two', 'three',
                         'two', 'two', 'one', 'three'],
                   'C': [3,4,5,8,10,12,14,12]})
df.groupby(['A','B']).sum()

如何查找 C 列中的值是否在其他组中也重复？ （这里 12 在两组中重复）

Answer 1

想法是将MultIndex转换为 3 列DataFrame ，然后通过DataFrame.pivot删除非重复行的DataFrame.dropna和公共值在索引中：

df = pd.DataFrame({'A': ['foo', 'bar', 'foo', 'bar',
                         'foo', 'bar', 'foo', 'foo'],
                   'B': ['one', 'one', 'two', 'three',
                         'two', 'two', 'one', 'three'],
                   'C': [3,4,5,8,10,12,14,12]})
df = df.groupby(['A','B']).sum()

common = df.reset_index().pivot('C','A','B').dropna().index
print (common)
Int64Index([12], dtype='int64', name='C')

然后，如果要过滤原始数据，请使用boolean indexing ：

df = df[df['C'].isin(common)]
print (df)
            C
A   B        
bar two    12
foo three  12

如果想要至少在 2 组中重复的公共行解决方案是：

print (df)  
     A      B   C
0  foo    one   3
1  bar    one   4
2  foo    two   3
3  bar  three   8
4  foo    two  14
5  bar    two  12
6  foo    one  14
7  foo  three  12
8  xxx    yyy   8

df = df.groupby(['A','B']).sum()
print (df)
            C
A   B        
bar one     4
    three   8 <- dupe per bar, three
    two    12 <- dupe per bar, two
foo one    17 <-17 is duplicated per group foo, one, so omited
    three  12 <- dupe per foo, three
    two    17 <-17 is duplicated per group foo, one, so omited
xxx yyy     8 <- dupe per xxx, yyy

---

common1 = (df.reset_index()
             .pivot_table(index='C',columns='A', values='B', aggfunc='size')
             .notna()
             .sum(axis=1)
            )
common1 = common1.index[common1.gt(1)]
print (common1)
Int64Index([8, 12], dtype='int64', name='C')

df1 = df[df['C'].isin(common1)]
print (df1)
            C
A   B        
bar three   8
    two    12
foo three  12
xxx yyy     8

Answer 2

为了展示一个更有启发性的例子，我在源 DataFrame 中添加了一行，以便它包含：

     A      B   C
0  foo    one   3
1  bar    one   4
2  foo    two   5
3  bar  three   8
4  foo    two  10
5  bar    two  12
6  foo    one  14
7  foo  three  12
8  xxx    yyy   8

我将分组结果保存在另一个 DataFrame 中：

df2 = df.groupby(['A','B']).sum()

所以它包含：

            C
A   B        
bar one     4
    three   8
    two    12
foo one    17
    three  12
    two    15
xxx yyy     8

如您所见， C 中有两个重复值： 12和8 。 请注意，现在df2 中的索引是unique 。

然后，要显示重复值及其组，请运行：

df2[df2.duplicated(keep=False)].sort_values('C')

得到：

            C
A   B        
bar three   8
xxx yyy     8
bar two    12
foo three  12

上面的结果显示了所有重复的值和它们所在的组（ A和B ）。