Series[] 和 .loc[] 有时 returns 一个单一的值，有时出乎意料的是一个包含相同值的单一元素 Series

Question

在下面的代码中，我试图在 DataFrame 列中找到最长的字符串。

根据列的长度，(maxstr)下面的函数，returns是短列的单值（符合预期），长列是单元素系列（没想到这个）。

任何指点将不胜感激。

我使用了 Find length of longest string in Pandas dataframe column

中讨论的方法

import numpy as np
import pandas as pd

由于数据量很大，我会边走边显示数据框和系列上的信息。

从剪贴板读取数据帧

df = pd.read_clipboard(sep='\t', index_col=[0, 1, 2, 3, 4], na_values='')

print(f'{type(df)=}')
print(f'{df.shape=}')
print(f'{df.dtypes=}')
print(f'{df.columns=}')

type(df)=<class 'pandas.core.frame.DataFrame'>
df.shape=(581, 6)
df.dtypes=CID           int64
TITLE        object
FIRSTNAME    object
FUNCTION     object
PHONE        object
EMAIL        object
dtype: object
df.columns=Index(['CID', 'TITLE', 'FIRSTNAME', 'FUNCTION', 'PHONE', 'EMAIL'], dtype='object')

函数return最大长度字符串等价于column/series

def maxstr(ser: pd.Series):
    print(f'{type(ser)=}')

    print(f'\n{type(ser.astype(str).str.len().idxmax())=}')
    print(f'{type(ser[ser.astype(str).str.len().idxmax()])=}')

    # should return a single value and not a series
    return ser[ser.astype(str).str.len().idxmax()]

使用短列 (n=50)，我得到一个 int（如预期的那样）

short = df.head(50)
short_return = maxstr(short['CID'])

type(ser)=<class 'pandas.core.series.Series'>

type(ser.astype(str).str.len().idxmax())=<class 'tuple'>
type(ser[ser.astype(str).str.len().idxmax()])=<class 'numpy.int64'>

使用来自相同数据帧（相同数据）(n=100) 的长列，我得到了一个系列（不是预期的??）

long = df.head(100)
long_return = maxstr(long['CID'])

type(ser)=<class 'pandas.core.series.Series'>
    
type(ser.astype(str).str.len().idxmax())=<class 'tuple'>
type(ser[ser.astype(str).str.len().idxmax()])=<class 'pandas.core.series.Series'>

在这两种情况下，我们都找到相同的 int 值（但一个在一系列中，另一个作为单个值）

short_return == long_return.iloc[0]

True

int 值是唯一的，因此它在 dataframe 列中出现一次

value = short_return
print(f'The value: {value=}')
print(f'{sum(short["CID"] == value)=}')
print(f'{sum(long["CID"] == value)=}')

The value: value=1937
sum(short["CID"] == value)=1
sum(long["CID"] == value)=1

Answer 1

在我看来问题是重复的索引值，所以如果 idxmax return tuple 是重复的，returned 不是标量，而是所有重复的行在选择中。

避免它的简单解决方案是创建默认索引，这里更改：

df = pd.read_clipboard(sep='\t', index_col=[0, 1, 2, 3, 4], na_values='')

至：

df = pd.read_clipboard(sep='\t', na_values='')

表示没有 MultiIndex，但默认为 RangeIndex。

检查是否 RangeIndex:

print (df.index)

如果需要解决方案MultiIndex是删除重复值：

df = pd.read_clipboard(sep='\t', index_col=[0, 1, 2, 3, 4], na_values='')
df = df[~df.index.duplicated()]

Series[] 和 .loc[] 有时 returns 一个单一的值，有时出乎意料的是一个包含相同值的单一元素 Series

Series [] and .loc[] sometimes returns a single value, and sometimes unexpectedly a single element Series containing the same value

python

series

dataframe

pandas