有趣的 Pandas 数据框问题:如何在两列上删除重复项(反向) - 对于具有共同属性的每一行?

Interesting Pandas dataframe problem: how to drop duplicates (inverse) over two columns - for each row with a common attribute?

过滤掉反向重复项后,我必须计算实际有多少个重复项。这是我的(工作示例)代码,但它太慢了,对于 90 000 多行.. 使用 iterrows:

import pandas as pd

data = {'id_x':[1,2,3,4,5,6],      
'ADDICTOID_x':['BFO:0000023', 'MF:0000016', 'BFO:0000023', 'MF:0000016', 'MF:0000016', 'ADDICTO:0000872'],     
'PMID':[34116904, 34116904, 34112174, 34112174, 34112174, 22429780],                  
'LABEL_x':['role', 'human being', 'role', 'human being', 'human being', 'FDA'],   
'id_y':[11,12,13,14,15,16],    
'ADDICTOID_y':['MF:0000016', 'BFO:0000023', 'MF:0000016', 'BFO:0000023', 'BFO:0000023', 'ADDICTO:0000904'],                
'LABEL_y':['human being', 'role', 'human being', 'role', 'role', '']}
dcp = pd.DataFrame(data)

dcp = dcp.drop(dcp[dcp.LABEL_x == dcp.LABEL_y].index)

for index, row in dcp.iterrows():  # THIS IS SLOW
        if ((dcp['ADDICTOID_x'] == row['ADDICTOID_y'])
            & (dcp['ADDICTOID_y'] == row['ADDICTOID_x'])
            & (dcp['PMID'] == row['PMID'])).any():  # Does the inverse of this row exist in the table?
            dcp.drop(index, inplace=True)

print("dcp after drop: ")
print(dcp)

我不能只使用 dcp.duplicated(subset=['ADDICTOID_x', 'ADDICTOID_y'], keep='first') 因为它会删除所有重复项(有很多),我只想一个一个地做,而且 'PMID' 也需要匹配.同样,(dcp.ADDICTOID_x + dcp.ADDICTOID_y).isin(dcp.ADDICTOID_y + dcp.ADDICTOID_x) & (dcp.PMID == dcp.PMID) 查找到处都有重复项的行。 Iterrows 并逐一测试是我发现的唯一有效方法,但它太慢了。有人知道解决这个问题的方法吗?

过滤反向重复项后,我是这样计算的: data_chord_plot = dcp.groupby(['LABEL_x', 'LABEL_y'], as_index=False)[['PMID']].count() data_chord_plot.columns = ['source','target','value']

编辑:在这个简单的例子中,第 1 行和第 3 行被删除,因为它们是第 2 行和第 4 行的反向副本。

编辑:我需要消除在两列上具有反向重复项的行的“镜像”图像,但每行只有一个具有重复项。有些行没有镜像。

(慢)示例的正确输出:

id_x ADDICTOID_x PMID LABEL_x id_y ADDICTOID_y LABEL_y

1 2 MF:0000016 34116904 人类 12 BFO:0000023 角色

3 4 MF:0000016 34112174 人 14 BFO:0000023 角色

4 5 MF:0000016 34112174 人 15 BFO:0000023 角色

5 6 ADDICTO:0000872 22429780 FDA 16 ADDICTO:0000904

也许有更短的方法,但我可以考虑将 df 与其反向自身合并,然后只留下没有先前匹配的行。所以不是你的循环做:

dcp = dcp.merge(dcp[['id_x', 'PMID', 'ADDICTOID_x', 'ADDICTOID_y']].rename({'id_x': 'inv_id', 'ADDICTOID_x': 'inv_y', 'ADDICTOID_y': 'inv_x'}, axis=1), how='left')
dcp['was'] = (dcp['ADDICTOID_x'] == dcp['inv_x']) & (dcp['ADDICTOID_y'] == dcp['inv_y']) & (dcp['id_x'] > dcp['inv_id'])
dcp = dcp.sort_values(['id_x', 'was']).drop_duplicates('id_x', keep='last')
dcp = dcp.loc[~dcp['was'], 'id_x': 'LABEL_y']

创建 ADDICTOID_xy 的排序元组并使用 drop_duplicates 和正确的子集:

dcp['ADDICTOID'] = dcp[['ADDICTOID_x', 'ADDICTOID_y']].apply(sorted, axis=1) \
                                                      .apply(tuple)

out = dcp.drop_duplicates(subset=['ADDICTOID', 'PMID'], keep='first')
>>> out
   id_x      ADDICTOID_x      PMID LABEL_x  id_y      ADDICTOID_y      LABEL_y                           ADDICTOID
0     1      BFO:0000023  34116904    role    11       MF:0000016  human being           (BFO:0000023, MF:0000016)
2     3      BFO:0000023  34112174    role    13       MF:0000016  human being           (BFO:0000023, MF:0000016)
5     6  ADDICTO:0000872  22429780     FDA    16  ADDICTO:0000904               (ADDICTO:0000872, ADDICTO:0000904)