如何使用 Python 减少 Pandas 数据框中的重复元素答案

【问题标题】：How to reduce repeated elements in a Pandas dataframe with Python如何使用 Python 减少 Pandas 数据框中的重复元素
【发布时间】：2022-01-25 08:12:27
【问题描述】：

我正在使用如下所示的数据框：

A                       B           C       D       E   F   G   H
ctg.s1.000000F_arrow    CDS gene    21215   22825   0   +   .   DAFEIOHN_00017
ctg.s1.000000F_arrow    CDS gene    21215   22825   0   +   .   DAFEIOHN_00017
ctg.s1.000000F_arrow    CDS gene    64501   66033   0   -   .   DAFEIOHN_00049
ctg.s1.000000F_arrow    CDS gene    70234   78846   0   +   .   DAFEIOHN_00053
ctg.s1.000000F_arrow    CDS gene    103455  106526  0   +   .   DAFEIOHN_00074
ctg.s1.000000F_arrow    CDS gene    161029  161712  0   +   .   DAFEIOHN_00132
ctg.s1.000000F_arrow    CDS gene    170711  171520  0   +   .   DAFEIOHN_00142
ctg.s1.000000F_arrow    CDS gene    203959  204450  0   -   .   DAFEIOHN_00174
ctg.s1.000000F_arrow    CDS gene    211381  212196  0   +   .   DAFEIOHN_00184
ctg.s1.000000F_arrow    CDS gene    236673  238499  0   +   .   DAFEIOHN_00209
ctg.s1.000000F_arrow    CDS gene    533077  533850  0   +   .   DAFEIOHN_00475
ctg.s1.000000F_arrow    CDS gene    533995  535194  0   +   .   DAFEIOHN_00572
ctg.s1.000000F_arrow    CDS gene    641146  643083  0   +   .   DAFEIOHN_00572

如您所见，H 列中有重复的元素，例如 DAFEIOHN_00017 或 DAFEIOHN_00572。我想修改这个数据框以获得这样的东西：

A                       B           C       D       E   F   G   H                I
ctg.s1.000000F_arrow    CDS gene    21215   22825   0   +   .   DAFEIOHN_00017   2
ctg.s1.000000F_arrow    CDS gene    64501   66033   0   -   .   DAFEIOHN_00049   1
ctg.s1.000000F_arrow    CDS gene    70234   78846   0   +   .   DAFEIOHN_00053   1
ctg.s1.000000F_arrow    CDS gene    103455  106526  0   +   .   DAFEIOHN_00074   1
ctg.s1.000000F_arrow    CDS gene    161029  161712  0   +   .   DAFEIOHN_00132   1
ctg.s1.000000F_arrow    CDS gene    170711  171520  0   +   .   DAFEIOHN_00142   1
ctg.s1.000000F_arrow    CDS gene    203959  204450  0   -   .   DAFEIOHN_00174   1
ctg.s1.000000F_arrow    CDS gene    211381  212196  0   +   .   DAFEIOHN_00184   1
ctg.s1.000000F_arrow    CDS gene    236673  238499  0   +   .   DAFEIOHN_00209   1
ctg.s1.000000F_arrow    CDS gene    533077  533850  0   +   .   DAFEIOHN_00475   1
ctg.s1.000000F_arrow    CDS gene    533995  535194  0   +   .   DAFEIOHN_00572   2

在第二个数据框中，重复的元素仅显示一次，并且有一个新列 I，其中提供了 H 列的每个元素的出现次数。

我该怎么做？

谢谢。

【问题讨论】：

标签： python pandas dataframe

【解决方案1】：

您可以使用drop_duplicates 删除在特定列中重复的行，并使用assign 创建一个新列，其中包含从groupby('H') 和transform('count') 的组合返回的值以确定每个列的计数H 的唯一值：

df = df.drop_duplicates(subset='H').assign(I=df.groupby('H')['H'].transform('count'))

输出：

>>> df
                       A         B       C       D  E  F  G               H  I
0   ctg.s1.000000F_arrow  CDS-gene   21215   22825  0  +  .  DAFEIOHN_00017  2
2   ctg.s1.000000F_arrow  CDS-gene   64501   66033  0  -  .  DAFEIOHN_00049  1
3   ctg.s1.000000F_arrow  CDS-gene   70234   78846  0  +  .  DAFEIOHN_00053  1
4   ctg.s1.000000F_arrow  CDS-gene  103455  106526  0  +  .  DAFEIOHN_00074  1
5   ctg.s1.000000F_arrow  CDS-gene  161029  161712  0  +  .  DAFEIOHN_00132  1
6   ctg.s1.000000F_arrow  CDS-gene  170711  171520  0  +  .  DAFEIOHN_00142  1
7   ctg.s1.000000F_arrow  CDS-gene  203959  204450  0  -  .  DAFEIOHN_00174  1
8   ctg.s1.000000F_arrow  CDS-gene  211381  212196  0  +  .  DAFEIOHN_00184  1
9   ctg.s1.000000F_arrow  CDS-gene  236673  238499  0  +  .  DAFEIOHN_00209  1
10  ctg.s1.000000F_arrow  CDS-gene  533077  533850  0  +  .  DAFEIOHN_00475  1
11  ctg.s1.000000F_arrow  CDS-gene  533995  535194  0  +  .  DAFEIOHN_00572  2

【讨论】：

【解决方案2】：

我们可以使用groupby 并像这样计算元素：

df.groupby('H').count()

【讨论】：