在熊猫数据框中查找重复的行

Question

我试图在熊猫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

有没有一种方法可以添加引用第一个重复项的索引的列（保留一个）

duplicate
Out[16]: 
   col1  col2  index_original
2     1     2               0
4     1     2               0

注意：在我的情况下，df可能非常大。

Answer 1

也许您不再需要这个答案，但还有另一种方法可以查找重复的行：

df=pd.DataFrame(data=[[1,2],[3,4],[1,2],[1,4],[1,2]],columns=['col1','col2'])

考虑到上面的 DataFrame，您可以使用 groupby 而不会有任何戏剧性，但对于较大的 DataFrame，它会有点慢，而不是您可以使用

DataFrame.duplicate(subset=None, keep='first')

返回表示重复行的布尔系列。

正如文档所述，它返回一个布尔系列，换句话说，一个布尔掩码，因此您可以使用该掩码操作 DataFrame，或者只是可视化重复的行：

>>> df[df.duplicated()]
   col1  col2
2     1     2
4     1     2

如果您有一个包含更多列的 DataFrame，并且想要按特定列查找重复行，则可以向该函数提供要查找的列列表，例如以下 DataFrame：

# List of Tuples
students = [('jack', 34, 'Sydeny'),
            ('Riti', 30, 'Delhi'),
            ('Aadi', 16, 'New York'),
            ('Riti', 30, 'Delhi'),
            ('Riti', 30, 'Delhi'),
            ('Riti', 30, 'Mumbai'),
            ('Aadi', 40, 'London'),
            ('Sachin', 30, 'Delhi')
            ]
# Create a DataFrame object
df = pd.DataFrame(students, columns=['Name', 'Age', 'City'])

如果您想查找所有列的重复行并将其可视化，只需执行以下操作：

>>> df[df.duplicated()]
   Name  Age   City
3  Riti   30  Delhi
4  Riti   30  Delhi

但是，如果您只想查找重复的行，只考虑两列，例如“姓名”和“年龄”，只需执行以下操作：

>>> df[df.duplicated(['Name', 'Age'])]
   Name  Age    City
3  Riti   30   Delhi
4  Riti   30   Delhi
5  Riti   30  Mumbai

或者只是一列，例如“名称”：

>>> df[df.duplicated(['Name'])]
   Name  Age    City
3  Riti   30   Delhi
4  Riti   30   Delhi
5  Riti   30  Mumbai
6  Aadi   40  London

上面的示例仅返回重复的行，而不是“原始行”，因此如果您查看示例，如果按照给定条件存在三个重复行，则只会返回两个。

Answer 2

使用groupby，创建一个新的索引列，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

我groupby先输入两列，然后调用transform+ idxmin以获取每个组的第一个索引。

df.groupby(['col1', 'col2']).col1.transform('idxmin') 

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

duplicated 给我一个我想保留的布尔值掩码：

df.duplicated(subset=['col1','col2'], keep='first')

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

其余的只是布尔索引。