Python 在DF中处理重复索引
我在pandas中有一对时间序列和一个函数,该函数将查看它们的小时间片,并根据行中的值的某些条件提取相同的行。此函数返回两个数据帧的元组,删除这些匹配行并将其放入新数据帧列表中 我已经意识到,问题是一个数据帧可能包含两个相同的索引(尽管不太可能),在这种情况下,drop命令将删除原始索引和具有重复索引的行,这偶尔会导致不正确的结果 请注意,这两个数据帧都很小,在所有情况下都少于10行,因此糟糕的O()行为是可以的 我已经想到了两种解决办法,但我不确定如何具体实施它们 (1) 按整数位置引用行,但drop似乎不适用于整数规范。我可以做到:Python 在DF中处理重复索引,python,pandas,dataframe,duplicates,Python,Pandas,Dataframe,Duplicates,我在pandas中有一对时间序列和一个函数,该函数将查看它们的小时间片,并根据行中的值的某些条件提取相同的行。此函数返回两个数据帧的元组,删除这些匹配行并将其放入新数据帧列表中 我已经意识到,问题是一个数据帧可能包含两个相同的索引(尽管不太可能),在这种情况下,drop命令将删除原始索引和具有重复索引的行,这偶尔会导致不正确的结果 请注意,这两个数据帧都很小,在所有情况下都少于10行,因此糟糕的O()行为是可以的 我已经想到了两种解决办法,但我不确定如何具体实施它们 (1) 按整数位置引用行,但
df.reset_index().drop(1).set_index(["Thingy", "Other"])
重置多索引,但这取决于我知道其他索引级别的名称,感觉非常缓慢/有问题。虽然我想它可能很好
(2) 检查重复的索引,然后向它们添加一些微小的timedelta,这样它们就不再是重复的,但我也不知道如何优雅地做到这一点
以下是此类函数的一个简单示例:
def extract_pairs(df_first, df_second, threshold=0.0):
name1 = df_first.name
name2 = df_second.name
results = []
flag = False
for index1, row1 in df_first.iterrows():
for index2, row2 in df_second.iterrows():
val1 = row1.get_value("SIZE")
val2 = row2.get_value("SIZE")
if val1*(1-threshold) <= val2 <= val1*(1+threshold) :
row1.loc["Name"] = name1
row2.loc["Name"] = name2
results.append(pd.DataFrame([row1, row2], index=[index1, index2]))
flag = True
break
if flag:
break
if flag:
df_first = df_first.drop(index1) #May remove more than one entry!
df_first.name = name1
df_second = df_second.drop(index2) #May remove more than one entry!
df_second.name = name2
df_first, df_second, new_results = extract_pairs(df_first, df_second)
results.extend(new_results)
return df_first, df_second, results
调用时,所需输出为三帧:
Index SIZE Index SIZE Index Name Size
A 7 C 6 A Foo 5
B Bar 5
但给定函数的实际输出为:
Index SIZE Index SIZE Index Name Size
EMPTY DF C 6 A Foo 5
B Bar 5
因为drop(index1)行会删除索引为A的所有行。我认为,您可以执行以下步骤:
reset\u index()
将索引放入数据框.index
返回行位置drop()
设置索引(index)
,将“index”列设置回您的索引# Generate the dataset
np.random.seed(1)
rowname = [1,2,2,2,4,4]
myDf = pd.DataFrame(np.random.randn(6,4), index=rowname, columns=list('ABCD'))
print myDf
>>>
A B C D
1 1.624345 -0.611756 -0.528172 -1.072969
2 0.865408 -2.301539 1.744812 -0.761207
2 0.319039 -0.249370 1.462108 -2.060141
2 -0.322417 -0.384054 1.133769 -1.099891
4 -0.172428 -0.877858 0.042214 0.582815
4 -1.100619 1.144724 0.901591 0.502494
# put your rowindex to your dataframe
newDf = myDf.reset_index()
# get the index from the new dataframe, drop them and set the index back to your result
result = newDf.drop(newDf[newDf.A>0].index).set_index("index")
print result
>>> A B C D
index
2 -0.322417 -0.384054 1.133769 -1.099891
4 -0.172428 -0.877858 0.042214 0.582815
4 -1.100619 1.144724 0.901591 0.502494
对不起,你想在这里实现什么?你想去掉那些多余的副本吗?
drop_duplicates
是做什么的?或者您想保留它们并为副本添加一些区分值?我希望df_first.drop(index1)只删除断开for循环选择的行。实际上,如果两个索引相同,drop也会删除另一行。我只想删除我已标识为一对中的一行。@phil_20686如果threshold=1
,您希望发生什么?也就是说,当X行接近(即在Y行和Z行的阈值范围内)但Y行和Z行彼此不接近时?
# Generate the dataset
np.random.seed(1)
rowname = [1,2,2,2,4,4]
myDf = pd.DataFrame(np.random.randn(6,4), index=rowname, columns=list('ABCD'))
print myDf
>>>
A B C D
1 1.624345 -0.611756 -0.528172 -1.072969
2 0.865408 -2.301539 1.744812 -0.761207
2 0.319039 -0.249370 1.462108 -2.060141
2 -0.322417 -0.384054 1.133769 -1.099891
4 -0.172428 -0.877858 0.042214 0.582815
4 -1.100619 1.144724 0.901591 0.502494
# put your rowindex to your dataframe
newDf = myDf.reset_index()
# get the index from the new dataframe, drop them and set the index back to your result
result = newDf.drop(newDf[newDf.A>0].index).set_index("index")
print result
>>> A B C D
index
2 -0.322417 -0.384054 1.133769 -1.099891
4 -0.172428 -0.877858 0.042214 0.582815
4 -1.100619 1.144724 0.901591 0.502494