在 pandas 数据框列中查找唯一最长字符串的索引和值

Question

我有一个 5x500k 的 pandas 数据框，并且想要定位异常索引，其中的内容是异常长的字符串。

for col in df.columns:
   print(df[col].apply(str).map(len).max()) #finds max length of a string in the column col
   print(df[col].apply(str).map(len))       #Gives length of all strings in the column col

我想做的是在每列中找到最长的字符串，如果没有其他长度相同的字符串（例如，不是多个最长的字符串），则将其设置为 NaN。并保存该值的索引。我想对每一列重复这个，直到没有一列有任何“唯一长”的字符串。

Example input:
                a            b                        c           d     e
0             NaN     54674054               6613722414     2330536     NaN
1             NaN         1234                     asdf     2339933     NaN
2           14242       423124   gsdgsgdfgaadfg sdaasda         NaN     NaN
3          342543       214124                      NaN        1231     978ad6f7d8yv 6767969
4            4123       512353                SDFAGdssd          12     87612378y8q7ssdy
5            4473        32325                as asfsda         NaN     NaN

Should Output:
                a            b                        c           d     e
0             NaN          NaN               6613722414     2330536     NaN
1             NaN         1234                     asdf     2339933     NaN
2             NaN       423124                      NaN         NaN     NaN
3             NaN       214124                      NaN        1231     NaN
4            4123       512353               2SDFAGdssd          12     NaN
5            4473        32325               as  asfsda         NaN     NaN

因为我想从长字符串明显异常中清除我的大数据集。用pandas能轻松做这样的操作吗？

也许问题的更通用版本是，如何找到 pandas 数据框列中所有最长字符串的索引和值？而不仅仅是最长字符串的第一次出现。

非常感谢，

卡尔

Answer 1

我没有尝试过，但我认为您正在寻找这样的东西：

for col in df.columns:
   # find indices, keep="all" means keep all occurrences. 
   idxs = df[col].astype(str).str.len().nlargest(
       1, keep="all"
   ).index
   # get values.
   values = df.loc[idxs, col]