比较 DataFrame 的所有行的最快方法

Question

我编写了一个程序（在 Python 3.6 中）试图将用户 csv/excel 的列映射到我拥有的模板 xls。到目前为止一切顺利，但此过程的一部分必须是用户的数据处理，即联系人。例如，我想删除重复项、合并数据等。为此，我需要将每一行与所有其他行进行比较，这很昂贵。我阅读的每个用户的 csv 都有 ~ 2000-4000 行，但我希望它对更多行有效。我已将数据存储在 pd.DataFrame.

中

有没有比蛮力更有效的比较方法？

谢谢

Answer 1

首先，你试过什么代码？

但是要删除重复项，这在 pandas 中非常容易。示例如下：

import pandas as pd
import numpy as np
# Creating the Test DataFrame below -------------------------------
dfp = pd.DataFrame({'A' : [np.NaN,np.NaN,3,4,5,5,3,1,5,np.NaN], 
                    'B' : [1,0,3,5,0,0,np.NaN,9,0,0], 
                    'C' : ['AA1233445','A9875', 'rmacy','Idaho Rx','Ab123455','TV192837','RX','Ohio Drugs','RX12345','USA Pharma'], 
                    'D' : [123456,123456,1234567,12345678,12345,12345,12345678,123456789,1234567,np.NaN],
                    'E' : ['Assign','Unassign','Assign','Ugly','Appreciate','Undo','Assign','Unicycle','Assign','Unicorn',]})
print(dfp)

#Output Below----------------

     A    B           C            D           E
0  NaN  1.0   AA1233445     123456.0      Assign
1  NaN  0.0       A9875     123456.0    Unassign
2  3.0  3.0       rmacy    1234567.0      Assign
3  4.0  5.0    Idaho Rx   12345678.0        Ugly
4  5.0  0.0    Ab123455      12345.0  Appreciate
5  5.0  0.0    TV192837      12345.0        Undo
6  3.0  NaN          RX   12345678.0      Assign
7  1.0  9.0  Ohio Drugs  123456789.0    Unicycle
8  5.0  0.0     RX12345    1234567.0      Assign
9  NaN  0.0  USA Pharma          NaN     Unicorn


# Remove all records with duplicated values in column a:
# keep='first' keeps the first occurences.

df2 = dfp[dfp.duplicated(['A'], keep='first')]
#output
     A    B           C           D         E
1  NaN  0.0       A9875    123456.0  Unassign
5  5.0  0.0    TV192837     12345.0      Undo
6  3.0  NaN          RX  12345678.0    Assign
8  5.0  0.0     RX12345   1234567.0    Assign
9  NaN  0.0  USA Pharma         NaN   Unicorn

如果你想要一个没有重复检查所有列的新数据框，请使用波浪号。 ~ 运算符本质上是 not equal to 或 != 运算符。官方文档 here

df2 = dfp[~dfp.duplicated(keep='first')]

比较 DataFrame 的所有行的最快方法

Fastest way to compare all rows of a DataFrame

python

csv

data-processing

dataframe

pandas