pandas sort_values 抛出 ValueError：分类类别必须是唯一的

Question

我有以下DataFrame 架构：

| str_A | str_B | co_A |合作_B | ... | co_X |

其中co_A 和co_B 代表自定义对象

那些对象继承object，并定义了丰富的比较方法

FWIW：__hash__ 方法也被覆盖并调用 super().__hash__()

我想做的是按两个自定义列排序，这就是混淆的地方。

以下代码按预期工作：

df.sort_values(by=['str_A', 'str_B'])

以下代码也可以：

df.sort_values(by=['co_A'])

但不起作用的是：

df.sort_values(by=['co_A', 'co_B'])

抛出

ValueError：分类类别必须是唯一的

事实证明，co_x 和 str_x 的某些组合有效，而另一些则无效。

我认为这可能是混合类型的原因，所以我删除了字符串值并只留下了自定义对象，错误仍然存​​在。我在这里一无所知，如果有任何帮助，我将不胜感激。

编辑：我使用的是熊猫版本 0.23.0

要生成可以重现问题的简单数据，可以使用以下示例代码

def feed():
    return type('Feed', (), {
        attr: names.get_first_name() if attr.startswith('substr') else names.get_last_name()
        for attr in CPE_VERSION_ATTRIBUTE_LIST
    })

feed = [feed() for i in range(100)]

EDIT2：

我使用的是 jupyter notebook，CustomObject 类是从库中导入的。

我所做的是我直接在 jupyter 中创建了另一个简单的类，使用与原始类类似的方法来检查数据是否有问题...... 并且它有效。这更令人困惑。 CustomObject 类一定有问题（我没有写这个类，但是我找不到任何可能导致问题的东西）。

该类应该处理版本比较——规范可以在 gist 中找到 https://gist.github.com/CermakM/011f17e91ffe9efbe35f29738fb23ec2

EDIT3：找到问题的根本原因，还不知道如何解决

已经实现了 CustomObject 之类的

class CustomObject:

    def __init__(self, stream: str):
        if stream is None:
            raise TypeError()

        self.stream = stream

    def __repr__(self):
        return "{cls!s}(stream={stream!r})".format(
            cls=self.__class__.__name__,
            stream=self.stream
        )

    def __str__(self):
        return "{stream!s}".format(
            stream=self.stream
        )

    def __lt__(self, other):
        if other is None:
            return False

        return self.stream < other.stream

    def __gt__(self, other):
        if other is None:
            return True

        return self.stream > other.stream

    # <<<<<<< This causes the issue 
    #     def __eq__(self, other):
    #         if other is None:
    #             return False

    #         return self.stream == other.stream
    # =======

    def __hash__(self):
        return super().__hash__()

没有上面注释的代码，它可以按预期工作。

Answer 1

这是一个老问题，但我遇到了同样的问题。

原因

问题在于，当两个对象相等时（由您的 __eq__ 函数定义），您的 __hash__ 函数应该始终返回 True。

现在情况并非如此，因为您的等价性基于 stream 属性，而您的类使用 object 的 __hash__ 函数，该函数（我相信）基于内存中的对象位置。

解决方案

如下定义散列函数可能会奏效。

def __hash__(self):
    return hash(self.stream)