【发布时间】：2020-11-22 00:03:46
【问题描述】：
我得到：“ValueError：索引包含重复条目，无法重塑”
我正在处理的数据非常庞大，我无法提供样本数据，也无法用较小的数据集复制错误。我试图用虚拟数据生成副本以复制我的原始帧，但由于某种神秘的原因，该代码仅适用于虚拟数据，而不适用于我的真实数据。这就是我所知道的我正在使用的形状。
df.shape
>> (6820, 26)
df.duplicated()
>> 0 False
>> 1 False
>> 2 False
>> ...
>> 6818 False
>> 6819 False
>> Length: 6820, dtype: bool
现在我想找出哪些行是重复的。
df[df.duplicated(keep=False)]
>> 0 rows × 26 columns
只是为了确保我删除所有重复项并只保留第一个：
df = df.drop_duplicates(keep='first')
这是我收到 ValueError 的时候：
df2 = df.melt('Release')\
.assign(variable = lambda x: x.variable.map({'Created Date':1,'Finished Date':-1}))\
.pivot('value','Release','variable').fillna(0)\
.rename(columns = lambda c: f'{c} netmov' )
---> 33 .pivot('value','Release','variable').fillna(0)\
ValueError: Index contains duplicate entries, cannot reshape
通过进一步调查，似乎不是重复的行，而是索引。我尝试使用 df.reset_index() 重置索引，但它会引发相同的 ValueError。
编辑：
我可以提供应该复制我正在使用的框架的虚拟数据（只需少几列不需要）
df = pd.DataFrame({'name': ["Peter", "Anna", "Anna", "Peter", "Simon", "Johan", "Nils", "Oskar", "Peter"]
, 'Deposits': ["2019-03-07", "2019-03-08", "2019-03-12", "2019-03-12", "2019-03-14", "2019-03-07", "2019-03-08", "2016-03-07", "2019-03-07"]
, 'Withdrawals': ["2019-03-11", "2019-03-19", "2019-05-22", "2019-10-31", "2019-04-05", "2019-03-11", "NaN", "2017-03-06", "2019-03-11"]})
df.duplicated()
0 False
1 False
2 False
.....
7 False
8 True
dtype: bool
df = df.drop_duplicates(keep='first')
df2 = df.melt('name')\
.assign(variable = lambda x: x.variable.map({'Deposits':1,'Withdrawals':-1}))\
.pivot('value','name','variable').fillna(0)\
.rename(columns = lambda c: f'{c} netmov' )
df2 = pd.concat([df2,df2.cumsum().rename(columns = lambda c: c.split()[0] + ' balance')], axis = 1)\
.sort_index(axis=1)
print(df2.head())
name Anna balance Anna netmov Johan balance Johan netmov \
value
2016-03-07 0.0 0.0 0.0 0.0
2017-03-06 0.0 0.0 0.0 0.0
2019-03-07 0.0 0.0 1.0 1.0
2019-03-08 1.0 1.0 1.0 0.0
2019-03-11 1.0 0.0 0.0 -1.0
这将顺利运行，即使 DataFrame 中有重复项。
最好我也不想删除重复项，因为“安娜”一天内可能进行了 4 次存款和 4 次取款，所以我想计算所有这些。
我正在使用的数据框：
df = df.drop_duplicates().reset_index(drop=True)
df = df.drop(['id'], axis=1)
df
Output:
name Deposits Withdrawals
0 Anna 2020-07-31 NaN
1 Peter 2020-07-30 NaN
2 Simon 2020-07-30 NaN
3 Simon 2020-07-29 NaN
4 Simon 2020-07-29 NaN
... ... ... ...
6154 Peter 2014-01-22 2014-02-03
6155 Peter 2014-01-22 2014-01-29
6156 Peter 2014-01-22 2014-01-24
6157 Peter 2014-01-21 2014-01-29
6158 Peter 2014-01-15 2014-02-03
6159 rows × 3 columns
更新：感谢社区帮助我解决这个问题。
这解决了问题：
df.Deposits = pd.to_datetime(df.Deposits)
df.Withdrawals = pd.to_datetime(df.Withdrawals)
df2 = (
df.melt('name')
.assign(variable = lambda x: x.variable.map({'Deposits':1,'Withdrawals':-1}))
.dropna(subset=['value']) # you need this for cases like Nils's Withdrawal
)
df2 = df2.groupby(['value', 'name']).sum().unstack(fill_value=0).droplevel(0, axis=1)
df2 = (
pd.concat([df2, df2.cumsum()], keys=['netmov', 'balance'], axis=1)
notice how concat has the functionality you want for naming columns
and is a better idea to have netmov/balance in a separate level
in case you want to groupby or .loc later on
.reorder_levels([1, 0], axis=1).sort_index(axis=1)
)
偶然发现下一个问题，与此无关。在将此DataFrame转换为json时，它会出于某种原因将日期转换为另一种格式。
data = df2.to_json()
print(data)
{
"Peter":
{
"1389744000000": 0,
"1390262400000": 0,
"1390348800000": 0,
"1390521600000": 0,
.....
.....
}
}
总是其他的，呵呵..尽管为帮助欢呼，我几乎可以触及球门线。
【问题讨论】：
-
您能否提供一个示例来说明您的数据/数据框结构是什么样的？
-
您是否尝试过使用
.reset_index()以防万一？ -
是的，我尝试了一些变化： df = df.drop_duplicates(keep='first').reset_index() with drop 和 inplace df = df.reset_index(drop=True) with drop并就地
-
我正在从 csv 文件中读取数据，有 26 列，但与我要创建的此时间线相关的唯一列是：['id']、['名称']，['存款']，['取款']。在示例数据中，我从原始 csv 文件中获取数据。
-
此 csv 文件还包含 ['id'] 列中具有相同 ID 的多行。我正在放弃的那些。
标签： python-3.x pandas duplicates pivot