python - 如何分配唯一的ID以检测 Pandas 数据框中的重复行？

Question

我正在处理一个 Pandas 数据框，其中有几列非常像这样:

A      B         C    D   

John   Tom       0    1
Homer  Bart      2    3
Tom    Maggie    1    4 
Lisa   John      5    0
Homer  Bart      2    3
Lisa   John      5    0
Homer  Bart      2    3
Homer  Bart      2    3
Tom    Maggie    1    4

如何为每个重复的行分配唯一的ID？例如:

A      B         C    D      new_id

John   Tom       0    1.2      1
Homer  Bart      2    3.0      2
Tom    Maggie    1    4.2      3
Lisa   John      5    0        4
Homer  Bart      2    3        5
Lisa   John      5    0        4
Homer  Bart      2    3.0      2
Homer  Bart      2    3.0      2
Tom    Maggie    1    4.1      6

我知道我可以使用duplicate来检测重复的行，但是我无法想象正在增加这些行。我尝试过了:

df.assign(id=(df.columns).astype('category').cat.codes)
df

但是，无法正常工作。如何获取用于检测重复行组的唯一ID？

Answer 1

对于小型数据框，您可以将行转换为可以进行哈希处理的元组，然后使用 pd.factorize 。

df['new_id'] = pd.factorize(df.apply(tuple, axis=1))[0] + 1

groupby对于较大的数据帧更有效:

df['new_id'] = df.groupby(df.columns.tolist(), sort=False).ngroup() + 1