python - 删除行内的Pandas重复值，替换为NaN，将NaN移至行尾

Question

问题:
如何从Pandas数据框中单独考虑每一行(并可能用NaN代替)从每一行中删除重复的单元格值？
如果我们可以将所有新创建的NaN移到每一行的末尾，那就更好了。

引用文献:相关但不同的文章:

在上的帖子如何删除被视为重复的整行:

how do I remove rows with duplicate values of columns in pandas data frame?

Drop all duplicate rows across multiple columns in Python Pandas

Remove duplicate rows from Pandas dataframe where only some columns have the same value

在上发布如何从Pandas列的列表中删除重复项:

Remove duplicates from rows and columns (cell) in a dataframe, python

(该答案返回一系列字符串，而不是数据帧)

例子:

import pandas as pd
df = pd.DataFrame({'a': ['A', 'A', 'C', 'B'],
                   'b': ['B', 'D', 'B', 'B'],
                   'c': ['C', 'C', 'C', 'A'],
                   'd': ['D', 'D', 'B', 'A']},
                   index=[0, 1, 2, 3])

这将创建此df:



一种
b
C
d


0
一种
乙
C
d

1个
一种
d
C
d

2
C
乙
C
乙

3
乙
乙
一种
一种


(使用this打印。)

一种解决方案:
从每行中删除重复项的一种方法，分别考虑每行:

df = df.apply(lambda row: pd.Series(row).drop_duplicates(keep='first'),axis='columns')

使用apply()，lambda函数pd.Series()和Series.drop_duplicates()。
使用Shift NaNs to the end of their respective rows将所有NaN推到每一行的末尾:

df.apply(lambda x : pd.Series(x[x.notnull()].values.tolist()+x[x.isnull()].values.tolist()),axis='columns') 

输出(根据需要):



0
1个
2
3


0
一种
乙
C
d

1个
一种
d
C
南

2
C
乙
南
南

3
乙
一种
南
南


问题:是否有更有效的方法来做到这一点？也许具有一些内置的Pandas功能？

Answer 1

您可以先stack，然后再drop_duplicates。然后，我们需要借助cumcount级别进行透视。 stack保留值在行中出现的顺序，并且cumcount确保NaN出现在最后。

df1 = df.stack().reset_index().drop(columns='level_1').drop_duplicates()

df1['col'] = df1.groupby('level_0').cumcount()
df1 = (df1.pivot(index='level_0', columns='col', values=0)
          .rename_axis(index=None, columns=None))

   0  1    2    3
0  A  B    C    D
1  A  D    C  NaN
2  C  B  NaN  NaN
3  B  A  NaN  NaN

时机
假设有4列，让我们看看随着行数的增加，这些方法的比较情况。当事情变小的时候，map和apply解决方案具有很好的优势，但是随着DataFrame越来越长，它们变得比涉及更多的stack + drop_duplicates + pivot解决方案要慢一些。无论如何，它们对于大型DataFrame都需要花费一些时间。

import perfplot
import pandas as pd
import numpy as np

def stack(df):
    df1 = df.stack().reset_index().drop(columns='level_1').drop_duplicates()

    df1['col'] = df1.groupby('level_0').cumcount()
    df1 = (df1.pivot(index='level_0', columns='col', values=0)
              .rename_axis(index=None, columns=None))
    return df1

def apply_drop_dup(df):
    return pd.DataFrame.from_dict(df.apply(lambda x: x.drop_duplicates().tolist(),
                                           axis=1).to_dict(), orient='index')

def apply_unique(df):
    return pd.DataFrame(df.apply(pd.Series.unique, axis=1).tolist())


def list_map(df):
    return pd.DataFrame(list(map(pd.unique, df.values)))


perfplot.show(
    setup=lambda n: pd.DataFrame(np.random.choice(list('ABCD'), (n, 4)),
                                 columns=list('abcd')), 
    kernels=[
        lambda df: stack(df),
        lambda df: apply_drop_dup(df),
        lambda df: apply_unique(df),
        lambda df: list_map(df),
    ],
    labels=['stack', 'apply_drop_dup', 'apply_unique', 'list_map'],
    n_range=[2 ** k for k in range(18)],
    equality_check=lambda x,y: x.compare(y).empty,  
    xlabel='~len(df)'
)

最后，如果保留每个行中最初出现的值的顺序不重要，则可以使用numpy。要删除重复数据，请排序然后检查差异。然后创建一个输出数组，将值向右移动。因为此方法将始终返回4列，所以在每行少于4个唯一值的情况下，我们需要dropna与其他输出匹配。

def with_numpy(df):
    arr = np.sort(df.to_numpy(), axis=1)
    r = np.roll(arr, 1, axis=1)
    r[:, 0] = np.NaN
    
    arr = np.where((arr != r), arr, np.NaN)
    
    # Move all NaN to the right. Credit @Divakar
    mask = pd.notnull(arr)
    justified_mask = np.flip(np.sort(mask, axis=1), 1)
    out = np.full(arr.shape, np.NaN, dtype=object) 
    out[justified_mask] = arr[mask]
    
    return pd.DataFrame(out, index=df.index).dropna(how='all', axis='columns')

with_numpy(df)
#   0  1    2    3
#0  A  B    C    D
#1  A  C    D  NaN
#2  B  C  NaN  NaN     # B/c this method sorts, B before C
#3  A  B  NaN  NaN

perfplot.show(
    setup=lambda n: pd.DataFrame(np.random.choice(list('ABCD'), (n, 4)),
                                 columns=list('abcd')), 
    kernels=[
        lambda df: stack(df),
        lambda df: with_numpy(df),
    ],
    labels=['stack', 'with_numpy'],
    n_range=[2 ** k for k in range(3, 22)],
    # Lazy check to deal with string/NaN and irrespective of sort order. 
    equality_check=lambda x, y: (np.sort(x.fillna('ZZ').to_numpy(), 1) 
                                 == np.sort(y.fillna('ZZ').to_numpy(), 1)).all(),
    xlabel='len(df)'
)