在 Pandas DataFrame 中查找违反一对一映射的列的行

Question

我有一个类似于这样的DataFrame：

| index | col_1 | col_2 |
| 0     | A     | 11    |
| 1     | B     | 12    |
| 2     | B     | 12    |
| 3     | C     | 13    |
| 4     | C     | 13    |
| 5     | C     | 14    |

由于数据损坏，col_1和col_2可能不总是一对一的关系，如何使用Pandas确定哪些行具有违反此一对一关系的col_1和col_2条目？在这种情况下，最后三行会出现问题，因为C可以映射到13或14。

- Roger

Answer 1

您可以使用转换函数，计算每个组中唯一对象的长度。首先查看仅包含这些列的子集，然后按单个列对其进行分组：

In [11]: g = df[['col1', 'col2']].groupby('col1')

In [12]: counts = g.transform(lambda x: len(x.unique()))

In [13]: counts
Out[13]:
  col2
0    1
1    1
2    1
3    2
4    2
5    2

剩余列的列（如果不是所有列）

In [14]: (counts == 1).all(axis=1)
Out[14]:
0     True
1     True
2     True
3    False
4    False
5    False
dtype: bool

- Andy Hayden

Answer 2

我测试了 g.transform(lambda x: len(x.unique()))，效果很好，但是当有很多组时速度很慢。下面的代码运行得快得多，所以我放在这里。

df2 = pd.DataFrame(df[['col1', 'col2']].groupby(['col1','col2']).size(),columns=['count'])
df2.reset_index(inplace=True)
df3 = pd.DataFrame(df2.groupby('col1').size(), columns=['count'])
df4 = df3[df3['count']>1]
df_copy = df.copy()
df_copy.set_index('col1', inplace=True)
df_outlier = df_copy.ix[df4.index]

- Lydia

Answer 3

我会使用 collections.Counter，因为在列中有多个相同项的实例违反了一对一映射：

>>> import pandas
>>> import numpy
>>> import collections
>>> df = pandas.DataFrame(numpy.array([['a', 1],['b', 2], ['b', 3], ['c', 3]]))
>>> df
   0  1
0  a  1
1  b  2
2  b  3
3  c  3
>>> collections.Counter(df[0])
Counter({'b': 2, 'a': 1, 'c': 1})
>>> violations1 = [k for k, v in collections.Counter(df[0]).items() if v > 1]
>>> violations2 = [k for k, v in collections.Counter(df[1]).items() if v > 1]
>>> violations1
['b']
>>> violations2
['3']

- Russia Must Remove Putin

Answer 4

我对Python非常新手，但找到了一种方法，通过将所有唯一的分组收集到列表中并过滤掉未被唯一映射的分组：

data = pd.DataFrame({'Col_1': ['A', 'B', 'B', 'C', 'C', 'C'], 'Col_2': [11,12,12,13,13,14]})
combos = []
for x, y in enumerate(range(len(data['Col_1']))):
    combo = '%s_%s' %(data['Col_1'][x], data['Col_2'][x])
    combos.append(combo)
data.index = data['Col_1']
for item in combos:
    if len([comb for comb in combos if item[2:] in comb[2:]]) != len([comb for comb in combos if item[0] in comb[0]]):
        data = data.drop(item[0])
data.reset_index(drop=True)

- user3649071