我试图在pandas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

是否有方法添加引用第一个副本(保留的副本)索引的列?
duplicate
Out[16]:
   col1  col2  index_original
2     1     2               0
4     1     2               0

注:在我的情况下,df可能非常大……

最佳答案

使用groupby,创建新的索引列,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
前两列,然后调用groupby+transform获取每组的第一个索引。
df.groupby(['col1', 'col2']).col1.transform('idxmin')

0    0
1    1
2    0
3    3
4    0
Name: col1, dtype: int64

idxmin为我提供一个要保留的值的布尔掩码:
df.duplicated(subset=['col1','col2'], keep='first')

0    False
1    False
2     True
3    False
4     True
dtype: bool

剩下的只是布尔索引。

08-26 21:18