获取熊猫数据框中多列排列的唯一出现

Question

我有一个包含多列的熊猫数据框，其中两列可能包含置换数据（

SOMMET_1

，下例中的

SOMMET_2

）。

数据帧的样本是：

df = pd.DataFrame([[2017, 'MTEZ5P71', 'MTEZIP71', 0.395508, 5.078320],
                   [2017, 'MTEZ5P71', 'RUEYRP71', 0.395508, 5.078320],
                   [2022, 'MTEZ5P71', 'RUEYRP71', 0.006328, 25.435898],     
                   [2022, 'RUEYRP71', 'MTEZ5P71', 0.006328, 25.435898],
                   [2022, 'ARGIAP71', '.HERN 71', 1.180195, 12.507539]],
                  columns=['YEAR', 'SOMMET_1', 'SOMMET_2', 'R', 'X']) 

年	SOMMET_1	SOMMET_2	R	X
2017	MTEZ5P71	MTEZIP71	0.395508	5.078320
2017	MTEZ5P71	RUEYRP71	0.395508	5.078320
2022	MTEZ5P71	RUEYRP71	0.006328	25.435898
2022	RUEYRP71	MTEZ5P71	0.006328	25.435898
2022	ARGIAP71	.赫恩 71	1.180195	12.507539

对于

YEAR

中的每个值，我试图只获取在两列[

SOMMET_1

，

SOMMET_2

]中数据的无序排列唯一出现的行。理想情况下按字母顺序从列

SOMMET_1

.

对于给定的SOMMET_1，预期结果应为原始数据框

ONLY

具有独特的

SOMMET_2

和

YEAR

对。对于上面的示例，数据框不应包含第四行：

年	SOMMET_1	SOMMET_2	R	X
2017	MTEZ5P71	MTEZIP71	0.395508	5.078320
2017	MTEZ5P71	RUEYRP71	0.395508	5.078320
2022	MTEZ5P71	RUEYRP71	0.006328	25.435898
2022	ARGIAP71	.赫恩 71	1.180195	12.507539

我尝试过使用

groupby

方法。

df.groupby(['SOMMET_1', 'SOMMET_2'])['YEAR']

但不保证

SOMMET_2

下的子组在

SOMMET_1

子组中不重复。

Answer 1

你可以这样做。找到独特的对，然后分组：

def get_unique_pairs(df):
    unique_pairs = set(tuple(sorted([row.SOMMET_1, row.SOMMET_2])) for _, row in df.iterrows())
    return df[df.apply(lambda row: tuple(sorted([row.SOMMET_1, row.SOMMET_2])) in unique_pairs, axis=1)]

result = df.groupby('YEAR').apply(get_unique_pairs).reset_index(drop=True)
print(result)

这给

  YEAR  SOMMET_1  SOMMET_2         R          X
0  2017  MTEZ5P71  MTEZIP71  0.395508   5.078320
1  2017  MTEZ5P71  RUEYRP71  0.395508   5.078320
2  2022  MTEZ5P71  RUEYRP71  0.006328  25.435898
3  2022  RUEYRP71  MTEZ5P71  0.006328  25.435898
4  2022  ARGIAP71  .HERN 71  1.180195  12.507539

Answer 2

你可以

sort

之前

drop_duplicates

：

import numpy as np

cols = ['SOMMET_1', 'SOMMET_2']
df[cols] = np.sort(df[cols])

out = df.drop_duplicates(subset=['YEAR']+cols)

注意。这会改变原始

df

，如果您不想，请先复制

tmp = df.copy()

并使用

tmp

代替

df

。

输出：

   YEAR  SOMMET_1  SOMMET_2         R          X
0  2017  MTEZ5P71  MTEZIP71  0.395508   5.078320
1  2017  MTEZ5P71  RUEYRP71  0.395508   5.078320
2  2022  MTEZ5P71  RUEYRP71  0.006328  25.435898
4  2022  .HERN 71  ARGIAP71  1.180195  12.507539