如何分析此 Pandas DataFrame 中的所有重复条目？

Question

我希望能够计算 Pandas DataFrame 中数据的描述性统计数据，但我只关心重复的条目。例如，假设我有由以下人员创建的 DataFrame：

import pandas as pd
data={'key1':[1,2,3,1,2,3,2,2],'key2':[2,2,1,2,2,4,2,2],'data':[5,6,2,6,1,6,2,8]}
frame=pd.DataFrame(data,columns=['key1','key2','data'])
print frame


     key1  key2  data
0     1     2     5
1     2     2     6
2     3     1     2
3     1     2     6
4     2     2     1
5     3     4     6
6     2     2     2
7     2     2     8

如您所见，第 0、1、3、4、6 和 7 行都是重复的（使用“key1”和“key2”。但是，如果我像这样索引这个 DataFrame：

frame[frame.duplicated(['key1','key2'])]

我明白了

   key1  key2  data
3     1     2     6
4     2     2     1
6     2     2     2
7     2     2     8

（即第 1 行和第 2 行不显示，因为它们没有被复制方法索引为 True）。

这是我的第一个问题。我的第二个问题涉及如何从这些信息中提取描述性统计数据。暂时忘记丢失的重复项，假设我想计算重复条目的 .min() 和 .max() （以便我可以获得一个范围）。我可以像这样在 groupby 对象上使用 groupby 和这些方法：

a.groupby(['key1','key2']).min()

这给了

           key1  key2  data
key1 key2                  
1    2        1     2     6
2    2        2     2     1

我想要的数据显然在这里，但我提取它的最佳方法是什么？如何索引生成的对象以获得我想要的（即 key1、key2、数据信息）？

Answer 1

编辑 Pandas 0.17 或更高版本：

由于自 Pandas 0.17 以来，duplicated() 方法的 take_last 参数是 deprecated 支持新的 keep 参数，请参阅 this answer 以了解正确的方法：

• 使用keep=False 调用duplicated() 方法，即frame.duplicated(['key1', 'key2'], keep=False)。

因此，为了提取此特定问题所需的数据，以下内容就足够了：

In [81]: frame[frame.duplicated(['key1', 'key2'], keep=False)].groupby(('key1', 'key2')).min()
Out[81]: 
           data
key1 key2      
1    2        5
2    2        1

[2 rows x 1 columns]

有趣的是，Pandas 0.17 中的这种变化可能部分归因于这个问题，如 this issue 中所述。

---

对于 Pandas 0.17 之前的版本：

我们可以使用duplicated() 方法的take_last 参数：

take_last：boolean，默认False

对于一组不同的重复行，将除最后一行之外的所有行标记为重复。默认为除第一行外的所有要标记的行。

如果我们将take_last 的值设置为True，我们会标记除最后一个重复行之外的所有行。将其与默认值False（标记除第一个重复行之外的所有行）结合使用，我们可以标记所有重复行：

In [76]: frame.duplicated(['key1', 'key2'])
Out[76]: 
0    False
1    False
2    False
3     True
4     True
5    False
6     True
7     True
dtype: bool

In [77]: frame.duplicated(['key1', 'key2'], take_last=True)
Out[77]: 
0     True
1     True
2    False
3    False
4     True
5    False
6     True
7    False
dtype: bool

In [78]: frame.duplicated(['key1', 'key2'], take_last=True) | frame.duplicated(['key1', 'key2'])
Out[78]: 
0     True
1     True
2    False
3     True
4     True
5    False
6     True
7     True
dtype: bool

In [79]: frame[frame.duplicated(['key1', 'key2'], take_last=True) | frame.duplicated(['key1', 'key2'])]
Out[79]: 
   key1  key2  data
0     1     2     5
1     2     2     6
3     1     2     6
4     2     2     1
6     2     2     2
7     2     2     8

[6 rows x 3 columns]

现在我们只需要使用groupby 和min 方法，我相信输出是需要的格式：

In [81]: frame[frame.duplicated(['key1', 'key2'], take_last=True) | frame.duplicated(['key1', 'key2'])].groupby(('key1', 'key2')).min()
Out[81]: 
           data
key1 key2      
1    2        5
2    2        1

[2 rows x 1 columns]

Answer 2

要获取 Pandas 0.17 版中所有重复条目的列表，您只需在 duplicated 函数中设置 'keep = False'。

frame[frame.duplicated(['key1','key2'],keep=False)]

    key1  key2  data
0     1     2     5
1     2     2     6
3     1     2     6
4     2     2     1
6     2     2     2
7     2     2     8

Answer 3

这是在两列（即第 0、1、3、4、6、7 行）中返回 所有 个重复值的一种可能解决方案：

>>> key1_dups = frame.key1[frame.key1.duplicated()].values
>>> key2_dups = frame.key2[frame.key2.duplicated()].values
>>> frame[frame.key1.isin(key1_dups) & frame.key2.isin(key2_dups)]
   key1  key2  data
0     1     2     5
1     2     2     6
3     1     2     6
4     2     2     1
6     2     2     2
7     2     2     8

（编辑：实际上，df.duplicated(take_last=True) | df.duplicated() 方法in @Yoel's answer 更简洁。）

要查询groupby 操作的结果，可以使用loc。例如：

>>> dups = frame[frame.key1.isin(key1_dups) & frame.key2.isin(key2_dups)]
>>> grouped = dups.groupby(['key1','key2']).min()
>>> grouped
           data
key1 key2      
1    2        5
2    2        1

>>> grouped.loc[1, 2]
    data    5
Name: (1, 2), dtype: int64

或者，通过重置两个索引将grouped 变回“看起来正常”的DataFrame：

>>> grouped.reset_index(level=0).reset_index(level=0)
   key2  key1  data
0     2     1     5
1     2     2     1