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。