python - 如何根据其他列中的一个而不是两个条件删除重复项

Question

我正在尝试根据数据框中的两列删除重复的“Box”行:

import pandas as pd
d = {'Box': ['A1', 'A1', 'A2', 'A3', 'A4', 'A5', 'A5'], 'Status': ['Prep', 'Ready', 'Prep', 'Prep', 'Ready', 'Prep', 'Ready'], 'Week':[11, 12, 12, 13, 11, 10, 11], 'QTY': [6, 7, 6, 8, 5, 8, 7]}
df = pd.DataFrame(data=d)

• 如果有重复的 Box 编号，则取带 min(Week) 的编号
• 如果有重复的 Box 号码，则取 Status !=Ready(不等于就绪)

到目前为止我已经尝试过:

df1= df.drop_duplicates(subset=["Week", "Box"], keep=False)

如果两个条件都满足，我想优先考虑 Status!= Ready 条件。

预期结果是:

Answer 1

DataFrame.drop_duplicates(...) 默认保留根据您指定的列子集找到的第一个项目。

换句话说，df.drop_duplicates('Box') 将保留 Box 每个唯一值的第一个值，并删除其余值。

所以我们只需要对数据框进行排序，以便我们想要保留的项目是我们遇到的第一个项目。

uniques = df.sort_values('Week').sort_values('Status').drop_duplicates('Box')

这做出了很多假设:

1. 您的数据很小，因此像这样排序两次并不会太昂贵。
2. 您没有其他可能会干扰此操作的 Status 值。 Prep 按字典顺序恰好位于 Ready 之前。
3. 您没有找到 Week 值在 Status 中具有 Ready 的示例 - 因为我们按 Status 排序最后，我们更加重视这个条件。如果您想首先按周进行过滤，则可以反转它们。

编辑:

您发布的数据:

>>> import pandas as pd
>>> d = {'Box': ['A1', 'A1', 'A2', 'A3', 'A4', 'A5', 'A5'], 'Status': ['Prep', 'Ready', 'Prep', 'Prep', 'Ready', 'Prep', 'Ready'], 'Week':[11, 12, 12, 13, 11, 10, 11], 'QTY': [6, 7, 6, 8, 5, 8, 7]}
>>> df = pd.DataFrame(data=d)
>>> df.sort_values('Status').sort_values('Week').drop_duplicates('Box').sort_index()
  Box  QTY Status  Week
0  A1    6   Prep    11
2  A2    6   Prep    12
3  A3    8   Prep    13
4  A4    5  Ready    11
5  A5    8   Prep    10

对于上面的假设 2，我建议对您的状态进行排序，然后基于此添加一列。

order = { 'Prep' : 1, 'Ready' : 2 }
df['status_order'] = df['Status'].apply(lambda x: order[x])

然后您可以按此列而不是状态排序。这概括为处理非Ready状态的重复项。