如何分配唯一 ID 来检测熊猫数据框中的重复行？

Question

我正在处理一个大型 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一个唯一的 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重复这些行。我试图：

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

但是，不起作用。如何获取用于检测重复行组的唯一 ID？

Answer 1

对于小型数据帧，您可以将行转换为可以散列的元组，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

Answer 2

按您要查找重复的列分组并使用ngroup：

df['new_id'] = df.groupby(['A','B','C','D']).ngroup()