如何及时比较数据框中的所有行并更改值？

Question

我有一个包含 70,000 场比赛（行）的网球比赛的熊猫数据框，有两个问题：

1. 每个游戏都是重复的，因为对于玩家 A 和 B 之间的每一场游戏，当 A 和 B 玩时有一行，当 B 和 A 玩时有一行。发生这种情况是因为我提取了每个玩家玩过的所有游戏，所以我有所有游戏纳达尔打过，然后是费德勒打过的所有比赛。对于我从纳达尔页面提取的比赛，纳达尔是球员 A，费德勒是球员 B，对于我从费德勒页面提取的比赛，费德勒是球员 A，纳达尔是球员 B。

2. 第二个问题是对于每场比赛，我只有关于球员 A 的信息，所以使用前面提到的例子，对于我提取的比赛，其中纳达尔是球员 A，面对费德勒，我有纳达尔的身高、年龄和排名，但我不知道有费德勒的信息。对于我提取的比赛，其中费德勒是球员 A，面对纳达尔，我有费德勒的身高、年龄和排名，但我没有纳达尔的信息

   为了更好地理解，下面是数据示例：

   Player A	Rank	Height	Age	Tourn.	Year	Round	Player B	Result
   Nadal	3	185	37	US Open	2019	Finals	Federer	W
   Federer	7	183	40	US Open	2019	Finals	Nadal	L

   我的目标是在同一行中添加两个玩家的信息，如下所示：

   Player A	Rank	Height	Age	Tourn.	Year	Round	Player B	Rank_B	Height_B	Age_B	Result
   Nadal	3	185	37	US Open	2019	Finals	Federer	7	183	40	W

   然后删除所有重复的行。

   我已经通过在 for 循环中执行 for 循环并比较每一行来解决了这个问题。一旦满足我设定的标准，我就会继续更改线路。我认为如果在同一年、同一场比赛和同一轮比赛中，相同的球员相互对决，那么这场比赛就是重复的。

   
   import pandas as pd
   import numpy as np
   
   games = pd.read_csv("games.csv")
   
   # create the new columns to add info of opponent:
   
   games["Rank_B"] = np.nan
   games["Height_B"] = np.nan
   games["Age_B"] = np.nan
   
   
   # loop through every line:
   
   for i in range(0,len(games)):
   
       # if the row was already mark to delete skip it
   
       if games.loc[i, "p_name"] == "Delete":
           next
   
       # for each line compare it to every line:
   
       for j in range(0,len(games)):
   
           if games.loc[i, "Tourn."] == games.loc[j, "Tourn."] and games.loc[i, "Year"] == games.loc[j, "Year"] and games.loc[i, "Round"] == games.loc[j, "Round"] and games.loc[i, "Player A"] == games.loc[j, "Player B"]:
   
               games.loc[i, "Height_B"] = games.loc[j, "Height"]
               games.loc[i, "Rank_B"] = games.loc[j, "Rank"]
               games.loc[i, "Age_B"] = games.loc[j, "Age"]
   
               # marks row to delete because it is duplicate:
   
               games.loc[j, "p_name"] = "Delete"
               
               break
   
   games = games[games["p_name"].str.contains("Delete") == False]
   
   

   问题是我的解决方案非常慢，运行 70,000 行需要 12 个小时。如果我想使用 1,000,000 行的数据框运行此代码，则此解决方案不切实际。

   你能想出更好的方法来实现我的目标吗？

Answer 1

尝试合并：

df = pd.merge(left=df, right=df, on=['Tourn.','Round','Year'])

然后删除重复项：

df.drop_duplicates(subset=['Tourn.','Round','Year'], inplace=True)

在您只需要重命名列名之后

然后，您可以只保留具有相同玩家 A 和玩家 B 的行：

df = df[df['Player A_x'] == df['Player A_y']]