根据包含子字符串的一列删除 DataFrame 中的重复行

Question

我有一个如下所示的数据框：

ID, Components
1,  "Room 1, ABC"
2,  "Room 2, ABC"
3,  "Room 3, DEF"
4,  "Room 1, DEF"
5,  "Room 3, DEF" 

我需要过滤数据帧，以便每个房间只有一行，并且保留给定房间的第一次出现：

ID, Components
1,  "Room 1, ABC"
2,  "Room 2, ABC"
3,  "Room 3, DEF"

如上所示，我们可以看到 ID 为 4 和 5 的行已被删除，因为 ID 为 1 和 3 的行中使用了“Room 1”和“Room 3”。

或者，唯一房间的计数也可以工作，但是组件字符串的其余部分可以重复，例如ABC 和 DEF 可以有很多，但只有 1 个 Room 1/2/3...

因此，计算“组件”列中的唯一条目将不起作用。它必须仅对于“Room n”是唯一的。

Answer 1

IIUC、

extract

房间 ID 并使用

duplicated

形成用于 布尔索引:

的掩码

df = pd.DataFrame({'ID': [1,2,3,4,5],
                   'Components': ['Room 1, ABC',
                                  'Room 2, ABC',
                                  'Room 3, DEF',
                                  'Room 1, DEF',
                                  'Room 3, DEF']})

m = df['Components'].str.extract(r'(Room \d+)', expand=False).duplicated()

out = df[~m]

输出：

   ID   Components
0   1  Room 1, ABC
1   2  Room 2, ABC
2   3  Room 3, DEF

中间体：

   ID   Components extract      m      ~
0   1  Room 1, ABC  Room 1  False   True
1   2  Room 2, ABC  Room 2  False   True
2   3  Room 3, DEF  Room 3  False   True
3   4  Room 1, DEF  Room 1   True  False
4   5  Room 3, DEF  Room 3   True  False