Skip to main content
 首页 » 编程设计

python之维护重复元素和非重复元素之间的关系

2024年11月01日8傻小

让我们假设我有一个像这样的数据框:

+------------+ 
|    ColA    | 
+------------+ 
| 1234567890 | 
| 1234509870 | 
| 1234589670 | 
| 1234576890 | 
| 3456789000 | 
| 3456787970 | 
+------------+ 

要求:所有与前5个字符完全匹配的元素都应该被视为1,并且只有单个元素应该被标记为不重复,其他元素被选中的元素在另一列中。

我已经能够通过使用以下步骤在另一列中分离出前 5 个元素来找出什么是重复元素:

df['ColA_5'] = df['ColA'].str[:5] 

然后标记重复项

df['Colc'] = df.duplicated(subset=['colA_5'], 
                    keep='first').map({True:'non-dup', False:'dup'}) 

因此,我如何使用上面的数据框创建下面提到的数据框。

+----------------------------+ 
|     ColA         ColB      | 
+----------------------------+ 
| 1234567890   non-duplicate | 
| 1234509870   1234567890    | 
| 1234589670   1234567890    | 
| 1234576890   1234567890    | 
| 3456789000   non-duplicate | 
| 3456787970   3456789000    | 
+----------------------------+ 

请您参考如下方法:

您可以使用 transform('first') 将每个组中的所有第一个值广播回它们的位置,然后只需屏蔽实际的第一个值即可获得非重复标志

g = df.groupby(df.ColA.astype(str).str[:5]) 
df['ColB'] = g.transform('first')\ 
              .ColA.astype(str)\ 
              .mask(df.index.isin(g.head(1).index),  
                                  'non-duplicate') 

         ColA           ColB 
0  1234567890  non-duplicate 
1  1234509870     1234567890 
2  1234589670     1234567890 
3  1234576890     1234567890 
4  3456789000  non-duplicate 
5  3456787970     3456789000