pandas drop_duplicates() “keep”参数给出了截然不同的答案——它是如何工作的？

Question

我有参加比赛的奥运会运动员的 CSV 数据集。

特征是：id,Name,Sex,Age,Games,Year,Sport

我需要找到：

男性篮球运动员占所有男性的百分比是多少 2012年奥运会的参与者？将答案四舍五入到第一个 十进制。

一个运动员可以参加各种形式的比赛，所以会有重复。

我用这段代码查询，不带“keep”参数：

    males_2012 = data[   (data['Sex']=='M') & (data['Year']==2012)].drop_duplicates(subset=['ID',],inplace=False)
    len(males_2012) # gives 5863 

但是，如果我使用“keep=False”进行查询，它会给我提供更小的数据集：

males_2012 = data[   (data['Sex']=='M') & (data['Year']==2012) ].drop_duplicates(subset=['ID',], 
keep=False,inplace=False)
    len(males_2012) # 5020

官方drop重复参数“keep”的解释：

drop_duplicates() official docs

keep : {‘first’, ‘last’, False}, 默认‘first’ first : Drop

重复，除了第一次出现。 last : 删除重复项

除了最后一次出现。 False ：删除所有重复项。

我找到了正确的答案，但我仍然不明白为什么它会根据 'keep=False' 参数给我非常不同的答案。

Answer 1

keep 定义了要保留的重复值。

1) First 指定保留第一个重复值并丢弃其余值。

2) Last 指定保留最后一个重复值并丢弃其余的。

3) False 指定删除所有重复项。

考虑这个例子：

df = pd.DataFrame({'A': [1,1,1,1]})

print(df.drop_duplicates(keep='first'))
print(df.drop_duplicates(keep='last'))
print(df.drop_duplicates(keep=False))

输出是：

   A
0  1
   A
3  1
Empty DataFrame
Columns: [A]
Index: []

我们可以在第一个df中看到，保留的元素在索引0处，所以它是第一个元素。第二个 df 的索引为 3，因此它是最后一个元素。最后一个 df 没有数据，因为整个列都是重复的，所以全部都被删除了。