去除重复项并使用Python Pandas添加一些列

Question

使用Python Pandas可以完成以下操作吗？

我有一个csv文件，类似于表A。

TABLE A
------------------------------------------------
Name               Email
------------------------------------------------
Hinckley Joel      [e-mail]
Hinckley Joel      [e-mail] 
Hinckley Joel      [e-mail]
Joel Hinckley      [e-mail]
Siegel Allison     [e-mail]
Nielsen Tami       [e-mail]
Nielsen Tami       [e-mail]
...

我想要去除重复姓名的行，并添加一个名为“Secondary Email”的新列。
次要电子邮件将是具有重复行的第一个电子邮件。

我要制作的最终表格是表B。

TABLE B
-----------------------------------------------------------
Name               Email                   Secondary Email
-----------------------------------------------------------
Hinckley Joel      [e-mail]          [e-mail]
Siegel Allison     [e-mail]
Nielsen Tami       [e-mail]

从表A和B可以看出，即使名字的顺序不同（例如：“Hinckley Joel”和“Joel Hinckley”），我仍希望将其视为同一人。
此外，我想将第二电子邮件地址（例如：[e-mail]）添加到新列中。

提前感谢您。

- Shi J

Answer 1

这是使用两列进行透视，但您需要删除重复项：

(df.drop_duplicates()
   .assign(col=lambda x: x.groupby("Name").cumcount())
   .pivot(index='Name', columns='col', values='Email')
   .add_prefix('Email_').reset_index()
)

输出：

col            Name            Email_0               Email_1
0     Hinckley Joel     [e-mail]  [e-mail]
1     Joel Hinckley  [e-mail]                   NaN
2      Nielsen Tami     [e-mail]       [e-mail]
3    Siegel Allison  [e-mail]                   NaN

- Quang Hoang

---

感谢您的快速回复，Quang Hoang。但是你的输出表格与表B有点不同。我想删除“Joel Hinckley”，因为他和“Hinckley Joel”是同一个人。您有什么好的想法吗？ - Shi J

@ShiJ，你怎么知道它们是相同的？根据名字不同的顺序吗？那么像“Cohen Thompson”这样既可以作为名字又可以作为姓氏的名字呢？ :-) - Quang Hoang

几乎所有的名称都应该由名字和姓氏组成。如果名称包含任何中间名，我们将忽略它们。 - Shi J

Answer 2

不像 @QuangHoang 的样子那么美观整洁，但是概念相同。

df_dup = df.drop_duplicates()
df_out = df_dup.set_index(['Name', df_dup.groupby('Name')['Email'].cumcount()])
df_out = df_out.unstack()
df_out.columns = [f'Secondary Email' if j != 0 else f'{i}' for i, j in df_out.columns]
df_out.reset_index()

输出：

            Name              Email       Secondary Email
0   Hinckley Joel     [e-mail]  [e-mail]
1   Joel Hinckley  [e-mail]                   NaN
2    Nielsen Tami     [e-mail]       [e-mail]
3  Siegel Allison  [e-mail]                   NaN

- Scott Boston

Answer 3

通过使用重复项、简单掩码和合并： 但首先，删除重复行，因为两行可能具有相同的名称和电子邮件，正如您在问题中提到的那样。

df.drop_duplicates(inplace=True)
duplicates = df['Name'].duplicated()
df[~duplicates].merge(df[duplicates].drop_duplicates(subset=['Name']).rename(columns={'email':'second email'}), how='left')

               Name            email               second email
0     Hinckley Joel     [e-mail]  [e-mail]
1     Joel Hinckley  [e-mail]                   NaN
2      Nielsen Tami     [e-mail]       [e-mail]

- ThePyGuy