pandas drop_duplicates Функция отлично подходит для «унификации» фрейма данных. Однако одним из ключевых аргументов для передачи является take_last=True или take_last=False , в то время как я хотел бы удалить все строки, которые являются дубликатами в подмножестве столбцов. Возможно ли это?

     A   B   C
0   foo 0   A
1   foo 1   A
2   foo 1   B
3   bar 1   A
 

В качестве примера я хотел бы удалить строки, которые совпадают по столбцам A , и C поэтому при этом должны быть удалены строки 0 и 1.

Теперь в pandas это намного проще с помощью drop_duplicates и параметра keep.

 import pandas as pd
df = pd.DataFrame({"A":["foo", "foo", "foo", "bar"], "B":[0,1,1,1], "C":["A","A","B","A"]})
df.drop_duplicates(subset=['A', 'C'], keep=False)
 

Просто хочу добавить к ответу Бена на drop_duplicates:

keep : {‘first’, ‘last’, False}, по умолчанию ‘first’

• первое: удалите дубликаты, за исключением первого вхождения.
• последнее: удалите дубликаты, за исключением последнего вхождения.
• False: удалите все дубликаты.

Поэтому установка keep False даст вам желаемый ответ.

DataFrame.drop_duplicates(*args, **kwargs) Возвращает DataFrame с удаленными дубликатами строк, необязательно только с учетом определенных столбцов

Параметры: подмножество: метка столбца или последовательность меток, необязательно Учитывайте только определенные столбцы для идентификации дубликатов, по умолчанию используйте все столбцы keep: {‘first’, ‘last’, False}, по умолчанию ‘first’ сначала: удалите дубликаты, за исключением первого вхождения. последнее: удалите дубликаты, за исключением последнего вхождения. False: удалите все дубликаты. take_last : устаревшее inplace : boolean, по умолчанию False Следует ли отбрасывать дубликаты на месте или возвращать копию cols: kwargs только аргумент подмножества [устаревший] Возвращает: дедуплицированный: DataFrame

Если вы хотите сохранить результат в другом наборе данных:

 df.drop_duplicates(keep=False)
 

или

 df.drop_duplicates(keep=False, inplace=False)
 

Если требуется обновить тот же набор данных:

 df.drop_duplicates(keep=False, inplace=True)
 

Приведенные выше примеры удалят все дубликаты и сохранят один, как DISTINCT * в SQL

используйте groupby и filter

 import pandas as pd
df = pd.DataFrame({"A":["foo", "foo", "foo", "bar"], "B":[0,1,1,1], "C":["A","A","B","A"]})
df.groupby(["A", "C"]).filter(lambda df:df.shape[0] == 1)
 

Попробуйте эти различные вещи

 df = pd.DataFrame({"A":["foo", "foo", "foo", "bar","foo"], "B":[0,1,1,1,1], "C":["A","A","B","A","A"]})

>>>df.drop_duplicates( "A" , keep='first')
 

или

 >>>df.drop_duplicates( keep='first')
 

или

 >>>df.drop_duplicates( keep='last')
 

На самом деле требуется только удаление строк 0 и 1 (сохраняются любые наблюдения, содержащие совпадающие A и C.):

 In [335]:

df['AC']=df.A df.C
In [336]:

print df.drop_duplicates('C', take_last=True) #this dataset is a special case, in general, one may need to first drop_duplicates by 'c' and then by 'a'.
     A  B  C    AC
2  foo  1  B  fooB
3  bar  1  A  barA

[2 rows x 4 columns]
 

Но я подозреваю, что вы действительно хотите этого (сохраняется одно наблюдение, содержащее совпадающие A и C.):

 In [337]:

print df.drop_duplicates('AC')
     A  B  C    AC
0  foo  0  A  fooA
2  foo  1  B  fooB
3  bar  1  A  barA

[3 rows x 4 columns]
 

Редактировать:

Теперь это намного понятнее, поэтому:

 In [352]:
DG=df.groupby(['A', 'C'])   
print pd.concat([DG.get_group(item) for item, value in DG.groups.items() if len(value)==1])
     A  B  C
2  foo  1  B
3  bar  1  A

[2 rows x 3 columns]