[英]Remove reverse duplicates from dataframe
我有一個包含兩列A
和B
的數據框。 在這種情況下, A
和B
的順序並不重要; 例如,我認為(0,50)
和(50,0)
是重復的。 在 pandas 中,從 dataframe 中刪除這些重復項的有效方法是什么?
import pandas as pd
# Initial data frame.
data = pd.DataFrame({'A': [0, 10, 11, 21, 22, 35, 5, 50],
'B': [50, 22, 35, 5, 10, 11, 21, 0]})
data
A B
0 0 50
1 10 22
2 11 35
3 21 5
4 22 10
5 35 11
6 5 21
7 50 0
# Desired output with "duplicates" removed.
data2 = pd.DataFrame({'A': [0, 5, 10, 11],
'B': [50, 21, 22, 35]})
data2
A B
0 0 50
1 5 21
2 10 22
3 11 35
理想情況下, output 將按A
列的值排序。
您可以在刪除重復項之前對數據框的每一行進行排序:
data.apply(lambda r: sorted(r), axis = 1).drop_duplicates()
# A B
#0 0 50
#1 10 22
#2 11 35
#3 5 21
如果您希望按A
列對結果進行排序:
data.apply(lambda r: sorted(r), axis = 1).drop_duplicates().sort_values('A')
# A B
#0 0 50
#3 5 21
#1 10 22
#2 11 35
這里有點難看,但更快的解決方案:
In [44]: pd.DataFrame(np.sort(data.values, axis=1), columns=data.columns).drop_duplicates()
Out[44]:
A B
0 0 50
1 10 22
2 11 35
3 5 21
時序:對於 8K 行 DF
In [50]: big = pd.concat([data] * 10**3, ignore_index=True)
In [51]: big.shape
Out[51]: (8000, 2)
In [52]: %timeit big.apply(lambda r: sorted(r), axis = 1).drop_duplicates()
1 loop, best of 3: 3.04 s per loop
In [53]: %timeit pd.DataFrame(np.sort(big.values, axis=1), columns=big.columns).drop_duplicates()
100 loops, best of 3: 3.96 ms per loop
In [59]: %timeit big.apply(np.sort, axis = 1).drop_duplicates()
1 loop, best of 3: 2.69 s per loop
df.T.apply(sorted).T.drop_duplicates()
現在這個解決方案有效,
data.set_index(['A','B']).stack().drop_duplicates().unstack().reset_index()
可以根據需要添加更多列。 例如
data.set_index(['A','B', 'C']).stack().drop_duplicates().unstack().reset_index()
這是一個有點冗長的解決方案,但可能對初學者有幫助 -
創建新列以對 A 列和 B 列中的值進行跨行排序 -
data['C'] = np.where(data['A']<data['B'] , data['A'], data['B'])
data['D'] = np.where(data['A']>data['B'] , data['A'], data['B'])
根據相關要求刪除重復項並按列“C”進行排序並重命名列
data2 = data[['C', 'D']].drop_duplicates().sort_values('C')
data2.columns = ['A', 'B']
data2
PS - “np.where”函數的工作原理類似於 excel 中的 If 公式(邏輯條件,值為 TRUE,值為 FALSE)
另一個經典選項是將值聚合為凍結集並使用boolean 索引
out = data[~data[['A', 'B']].agg(frozenset, axis=1).duplicated()]
Output:
A B
0 0 50
1 10 22
2 11 35
3 21 5
它也相當有效,盡管不如非常優化的np.sort
方法:
%timeit big.apply(lambda r: sorted(r), axis = 1).drop_duplicates()
27.2 ms ± 914 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
%timeit pd.DataFrame(np.sort(big.values, axis=1), columns=big.columns).drop_duplicates()
733 µs ± 20.1 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
%timeit big.apply(np.sort, axis = 1).drop_duplicates()
12 s ± 403 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
%timeit big[~big[['A', 'B']].agg(frozenset, axis=1).duplicated()]
25 ms ± 657 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.