小编And*_* L.的帖子

我尝试更彻底地了解描述符和显式属性名称的查找顺序。
我阅读了描述符howto，其状态如下：

调用的细节取决于obj是对象还是类：
...
对于类，机制在type.__getattribute__（）中，它转换B.x为B.__dict__['x'].__get__(None, B)

我在__class__ 上进行了测试，因为它是的数据描述符object

In [47]: object.__class__
Out[47]: type   

因此，type由于typeclass创建了包括objectclass 在内的所有类，因此它按预期返回。根据“描述符howto”，object.__class__将其转换为object.__dict__['__class__'].__get__(None, object)。
但是，当我运行它时，输出是描述符本身，而不是描述符type

In [48]: object.__dict__['__class__'].__get__(None, object)
Out[48]: <attribute '__class__' of 'object' objects>    

我猜它返回描述符本身，因为在__get__其中包含某种代码，例如：

if instance is None:
    return self    

因此，我了解从类调用时返回描述符本身的原因。让我感到困惑的是不同的输出

当它说“ B.x成B.__dict__['x'].__get__(None, B)”时，我期望输出是相同的。他们为什么不同？

编辑：我在 @coldspeed、@wen-ben、@ALollz 指出的字符串中犯的菜鸟错误。np.nan答案非常好，所以我不会删除这个问题来保留这些答案。

原文：
我已阅读此问题/答案groupby.first() 和 groupby.head(1) 之间有什么区别？

该答案解释说差异在于处理NaN价值。然而，当我打电话groupby给时as_index=False，他们都选择了NaN罚款。

此外，Pandas 具有groupby.nth与 、head和类似的功能first

groupby.first(), groupby.nth(0), groupby.head(1)和 的区别是什么as_index=False？

下面的例子：

In [448]: df
Out[448]:
   A       B
0  1  np.nan
1  1       4
2  1      14
3  2       8
4  2      19
5  2      12

In [449]: df.groupby('A', as_index=False).head(1)
Out[449]:
   A       B
0  1  np.nan
3  2       8

In [450]: df.groupby('A', as_index=False).first()
Out[450]:
   A …

我在python 3.7和pandas 0.24.2上

设定：

s = pd.Series(['10', '12', '15', '20', 'A', '31', 'C', 'D'])

In [36]: s
Out[36]:
0    10
1    12
2    15
3    20
4     A
5    31
6     C
7     D
dtype: object

to_numeric与 errors='coerce'

pd.to_numeric(s, errors='coerce')

Out[37]:
0    10.0
1    12.0
2    15.0
3    20.0
4     NaN
5    31.0
6     NaN
7     NaN
dtype: float64

to_numeric与errors=''（空字符串）

pd.to_numeric(s, errors='')

Out[38]:
0    10.0
1    12.0
2    15.0
3    20.0
4     NaN
5    31.0
6     NaN
7 …

我有一个 pandas df，其中每一行都是单词列表。该列表有重复的单词。我想删除重复的单词。

我尝试在 for 循环中使用 dict.fromkeys(listname) 来迭代 df 中的每一行。但这将单词分成字母表

filepath = "C:/abc5/Python/Clustering/output2.csv"
df = pd.read_csv(filepath,encoding='windows-1252')

df["newlist"] = df["text_lemmatized"]
for i in range(0,len(df)):
    l = df["text_lemmatized"][i]
    df["newlist"][i] = list(dict.fromkeys(l))

print(df)

预期结果是==>

['clear', 'pending', 'order', 'pending', 'order']   ['clear', 'pending', 'order']
 ['pending', 'activation', 'clear', 'pending']   ['pending', 'activation', 'clear']

实际结果是

['clear', 'pending', 'order', 'pending', 'order']  ...   [[, ', c, l, e, a, r, ,,  , p, n, d, i, g, o, ]]
['pending', 'activation', 'clear', 'pending', ...  ...  [[, ', p, e, n, …