217

我有一份可能有出口问题的物品清单。我想获取重复项目的列表，以便手动比较它们。当我尝试使用 pandas重复方法时，它只返回第一个重复项。有没有办法得到所有的重复，而不仅仅是第一个？

我的数据集的一小部分如下所示：

ID,ENROLLMENT_DATE,TRAINER_MANAGING,TRAINER_OPERATOR,FIRST_VISIT_DATE
1536D,12-Feb-12,"06DA1B3-Lebanon NH",,15-Feb-12
F15D,18-May-12,"06405B2-Lebanon NH",,25-Jul-12
8096,8-Aug-12,"0643D38-Hanover NH","0643D38-Hanover NH",25-Jun-12
A036,1-Apr-12,"06CB8CF-Hanover NH","06CB8CF-Hanover NH",9-Aug-12
8944,19-Feb-12,"06D26AD-Hanover NH",,4-Feb-12
1004E,8-Jun-12,"06388B2-Lebanon NH",,24-Dec-11
11795,3-Jul-12,"0649597-White River VT","0649597-White River VT",30-Mar-12
30D7,11-Nov-12,"06D95A3-Hanover NH","06D95A3-Hanover NH",30-Nov-11
3AE2,21-Feb-12,"06405B2-Lebanon NH",,26-Oct-12
B0FE,17-Feb-12,"06D1B9D-Hartland VT",,16-Feb-12
127A1,11-Dec-11,"064456E-Hanover NH","064456E-Hanover NH",11-Nov-12
161FF,20-Feb-12,"0643D38-Hanover NH","0643D38-Hanover NH",3-Jul-12
A036,30-Nov-11,"063B208-Randolph VT","063B208-Randolph VT",
475B,25-Sep-12,"06D26AD-Hanover NH",,5-Nov-12
151A3,7-Mar-12,"06388B2-Lebanon NH",,16-Nov-12
CA62,3-Jan-12,,,
D31B,18-Dec-11,"06405B2-Lebanon NH",,9-Jan-12
20F5,8-Jul-12,"0669C50-Randolph VT",,3-Feb-12
8096,19-Dec-11,"0649597-White River VT","0649597-White River VT",9-Apr-12
14E48,1-Aug-12,"06D3206-Hanover NH",,
177F8,20-Aug-12,"063B208-Randolph VT","063B208-Randolph VT",5-May-12
553E,11-Oct-12,"06D95A3-Hanover NH","06D95A3-Hanover NH",8-Mar-12
12D5F,18-Jul-12,"0649597-White River VT","0649597-White River VT",2-Nov-12
C6DC,13-Apr-12,"06388B2-Lebanon NH",,
11795,27-Feb-12,"0643D38-Hanover NH","0643D38-Hanover NH",19-Jun-12
17B43,11-Aug-12,,,22-Oct-12
A036,11-Aug-12,"06D3206-Hanover NH",,19-Jun-12

我的代码目前看起来像这样：

df_bigdata_duplicates = df_bigdata[df_bigdata.duplicated(cols='ID')]

有几个重复的项目。但是，当我使用上面的代码时，我只得到第一项。在 API 参考中，我看到了如何获得最后一项，但我想拥有所有这些，这样我就可以直观地检查它们以了解为什么会出现差异。所以，在这个例子中，我想获取所有三个 A036 条目和 11795 条目以及任何其他重复的条目，而不是第一个。非常感谢任何帮助。

4

10 回答 10

245

方法 #1：打印 ID 是重复 ID 之一的所有行：

>>> import pandas as pd
>>> df = pd.read_csv("dup.csv")
>>> ids = df["ID"]
>>> df[ids.isin(ids[ids.duplicated()])].sort("ID")
       ID ENROLLMENT_DATE        TRAINER_MANAGING        TRAINER_OPERATOR FIRST_VISIT_DATE
24  11795       27-Feb-12      0643D38-Hanover NH      0643D38-Hanover NH        19-Jun-12
6   11795        3-Jul-12  0649597-White River VT  0649597-White River VT        30-Mar-12
18   8096       19-Dec-11  0649597-White River VT  0649597-White River VT         9-Apr-12
2    8096        8-Aug-12      0643D38-Hanover NH      0643D38-Hanover NH        25-Jun-12
12   A036       30-Nov-11     063B208-Randolph VT     063B208-Randolph VT              NaN
3    A036        1-Apr-12      06CB8CF-Hanover NH      06CB8CF-Hanover NH         9-Aug-12
26   A036       11-Aug-12      06D3206-Hanover NH                     NaN        19-Jun-12

但我想不出一个很好的方法来防止重复ids这么多次。我更喜欢方法 #2：groupby在 ID 上。

>>> pd.concat(g for _, g in df.groupby("ID") if len(g) > 1)
       ID ENROLLMENT_DATE        TRAINER_MANAGING        TRAINER_OPERATOR FIRST_VISIT_DATE
6   11795        3-Jul-12  0649597-White River VT  0649597-White River VT        30-Mar-12
24  11795       27-Feb-12      0643D38-Hanover NH      0643D38-Hanover NH        19-Jun-12
2    8096        8-Aug-12      0643D38-Hanover NH      0643D38-Hanover NH        25-Jun-12
18   8096       19-Dec-11  0649597-White River VT  0649597-White River VT         9-Apr-12
3    A036        1-Apr-12      06CB8CF-Hanover NH      06CB8CF-Hanover NH         9-Aug-12
12   A036       30-Nov-11     063B208-Randolph VT     063B208-Randolph VT              NaN
26   A036       11-Aug-12      06D3206-Hanover NH                     NaN        19-Jun-12
于 2013-02-02T01:01:09.933 回答
206

使用 Pandas 0.17 版，您可以在重复函数中设置“keep = False”以获取所有重复项。

In [1]: import pandas as pd

In [2]: df = pd.DataFrame(['a','b','c','d','a','b'])

In [3]: df
Out[3]: 
       0
    0  a
    1  b
    2  c
    3  d
    4  a
    5  b

In [4]: df[df.duplicated(keep=False)]
Out[4]: 
       0
    0  a
    1  b
    4  a
    5  b
于 2015-10-28T01:10:16.800 回答
169 
df[df.duplicated(['ID'], keep=False)]

它会将所有重复的行返回给您。

根据文件：

keep : {'first', 'last', False}, 默认'first'</p>

  • first ：将重复项标记为 True，但第一次出现除外。
  • last ：将重复项标记为 True，最后一次出现除外。
  • False ：将所有重复项标记为 True。
于 2017-01-22T02:50:32.567 回答
18

由于我无法发表评论，因此作为单独的答案发布

要在多列的基础上查找重复项，请在下面提及每个列名，它将返回所有重复的行集：

df[df[['product_uid', 'product_title', 'user']].duplicated() == True]

或者，

df[df[['product_uid', 'product_title', 'user']].duplicated()]
于 2019-01-05T09:47:38.713 回答
16 
df[df['ID'].duplicated() == True]

这对我有用

于 2018-11-19T15:06:27.480 回答
4

使用元素逻辑或并将 pandas 复制方法的 take_last 参数设置为 True 和 False，您可以从包含所有重复项的数据框中获取一个集合。

df_bigdata_duplicates = 
    df_bigdata[df_bigdata.duplicated(cols='ID', take_last=False) |
               df_bigdata.duplicated(cols='ID', take_last=True)
              ]
于 2015-06-17T13:38:55.473 回答
4

sort("ID")现在似乎没有工作，似乎根据sort doc已弃用，因此请改用sort_values("ID")在重复过滤器之后进行排序，如下所示：

df[df.ID.duplicated(keep=False)].sort_values("ID")
于 2019-07-25T20:31:52.577 回答
3

这可能不是问题的解决方案，而是举例说明：

import pandas as pd

df = pd.DataFrame({
    'A': [1,1,3,4],
    'B': [2,2,5,6],
    'C': [3,4,7,6],
})

print(df)
df.duplicated(keep=False)
df.duplicated(['A','B'], keep=False)

输出：

   A  B  C
0  1  2  3
1  1  2  4
2  3  5  7
3  4  6  6

0    False
1    False
2    False
3    False
dtype: bool

0     True
1     True
2    False
3    False
dtype: bool
于 2018-12-05T21:12:01.537 回答
3

对于我的数据库，重复（keep=False）直到列被排序后才起作用。

data.sort_values(by=['Order ID'], inplace=True)
df = data[data['Order ID'].duplicated(keep=False)]
于 2020-01-26T20:07:01.690 回答
2

df[df.duplicated(['ID'])==True].sort_values('ID')

所有列值的重复行及其索引 loc #

def dup_rows_index(df):
  dup = df[df.duplicated()]
  print('Duplicated index loc:',dup[dup == True ].index.tolist())
  return dup
于 2019-04-09T07:53:45.910 回答