Python Pandas 从 csv 中提取重复项并聚合列的值

Question

我有一个 CSV 文件，由 4 列 A、B、C、D 组成。我想：

• 查找 A、B、C 列具有相同值的所有重复项
• 对于这些，取 D 的值并创建一个没有重复的行，其中 D 列是所有重复项的 D 列的并集

示例 CSV 输入：

John,Yes,123,street 1
John,Yes,123,street 2
Tom,No,345,street 1
Tom,No,345,street 2
Tom,No,345,street 3
Jason,Yes,567,street 1
Thomas,No,123,street 1
Jess,No,999,street 1

预期结果：

John,Yes,123,street 1 street 2
Tom,No,345,street 1 street 2 street 3
Jason,Yes,567,street 1
Thomas,No,123,street 1
Jess,No,999,street 1

Answer 1

df.groupby(['A','B','C'])['D'].apply(' '.join).reset_index()

完整代码：

from io import StringIO
df = """A,B,C,D
John,Yes,123,street 1
John,Yes,123,street 2
Tom,No,345,street 1
Tom,No,345,street 2
Tom,No,345,street 3
Jason,Yes,567,street 1
Thomas,No,123,street 1
Jess,No,999,street 1"""
df = pd.read_csv(StringIO(df))
df.groupby(['A','B','C'])['D'].apply(' '.join).reset_index()

Output：

	一种	乙	C	丁
0	杰森	是的	567	街道 1
1个	杰斯	不	999	街道 1
2个	约翰	是的	123	街道 1 街道 2
3个	托马斯	不	123	街道 1
4个	汤姆	不	345	街道 1 街道 2 街道 3

解释：

df.groupby(['A','B','C'])['D'].apply(' '.join).reset_index()与df.groupby(['A','B','C'])['D'].apply(lambda g: ' '.join(g.values)).reset_index()与这些替代方案相同：

# alternative #1
df.groupby(['A','B','C'])['D'].apply(lambda g: ' '.join(g)).reset_index()
# alternative #2
df.groupby(['A','B','C']).apply(lambda g: ' '.join(g['D'])).reset_index()