Pandas - 用 Nan 替换重复项并保持行答案

【问题标题】：Pandas - Replace Duplicates with Nan and Keep RowPandas - 用 Nan 替换重复项并保持行
【发布时间】：2020-10-09 04:09:53
【问题描述】：

如何在保留行的同时用 NaN 替换每个组的重复项？

我需要保留行而不删除并且可能保留它首先出现的第一个原始值。

import pandas as pd
from datetime import timedelta

df = pd.DataFrame({
    'date': ['2019-01-01 00:00:00','2019-01-01 01:00:00','2019-01-01 02:00:00', '2019-01-01 03:00:00',
             '2019-09-01 02:00:00','2019-09-01 03:00:00','2019-09-01 04:00:00', '2019-09-01 05:00:00'],
    'value': [10,10,10,10,12,12,12,12],
    'ID': ['Jackie','Jackie','Jackie','Jackie','Zoop','Zoop','Zoop','Zoop',]
})

df['date'] = pd.to_datetime(df['date'], infer_datetime_format=True)


date    value   ID
0   2019-01-01 00:00:00 10  Jackie
1   2019-01-01 01:00:00 10  Jackie
2   2019-01-01 02:00:00 10  Jackie
3   2019-01-01 03:00:00 10  Jackie
4   2019-09-01 02:00:00 12  Zoop
5   2019-09-01 03:00:00 12  Zoop
6   2019-09-01 04:00:00 12  Zoop
7   2019-09-01 05:00:00 12  Zoop

所需的数据框：

date    value   ID
0   2019-01-01 00:00:00 10  Jackie
1   2019-01-01 01:00:00 NaN Jackie
2   2019-01-01 02:00:00 NaN Jackie
3   2019-01-01 03:00:00 NaN Jackie
4   2019-09-01 02:00:00 12  Zoop
5   2019-09-01 03:00:00 NaN Zoop
6   2019-09-01 04:00:00 NaN Zoop
7   2019-09-01 05:00:00 NaN Zoop

编辑：

重复值只能在同一日期删除，与频率无关。因此，如果值 10 在 1 月 1 日出现两次，在 1 月 2 日出现 3 次，则值 10 应该只在 1 月 1 日和 1 月 2 日出现一次。

【问题讨论】：

标签： python pandas

【解决方案1】：

我假设您检查列 value 和 ID 的重复项，并进一步检查列 date 的 date

df.loc[df.assign(d=df.date.dt.date).duplicated(['value','ID', 'd']), 'value'] = np.nan

Out[269]:
                 date  value      ID
0 2019-01-01 00:00:00   10.0  Jackie
1 2019-01-01 01:00:00    NaN  Jackie
2 2019-01-01 02:00:00    NaN  Jackie
3 2019-01-01 03:00:00    NaN  Jackie
4 2019-09-01 02:00:00   12.0    Zoop
5 2019-09-01 03:00:00    NaN    Zoop
6 2019-09-01 04:00:00    NaN    Zoop
7 2019-09-01 05:00:00    NaN    Zoop

正如@Trenton 建议的那样，您可以使用pd.NA 来避免导入numpy

（注意：@rafaelc 建议：这里是解释pd.NA 和np.nan https://pandas.pydata.org/pandas-docs/stable/whatsnew/v1.0.0.html#experimental-na-scalar-to-denote-missing-values 之间的详细区别的链接）

df.loc[df.assign(d=df.date.dt.date).duplicated(['value','ID', 'd']), 'value'] = pd.NA

Out[273]:
                 date value      ID
0 2019-01-01 00:00:00    10  Jackie
1 2019-01-01 01:00:00  <NA>  Jackie
2 2019-01-01 02:00:00  <NA>  Jackie
3 2019-01-01 03:00:00  <NA>  Jackie
4 2019-09-01 02:00:00    12    Zoop
5 2019-09-01 03:00:00  <NA>    Zoop
6 2019-09-01 04:00:00  <NA>    Zoop
7 2019-09-01 05:00:00  <NA>    Zoop

【讨论】：

您可以使用pd.NA，因此不仅np.nan 需要导入numpy。
重复值只能在同一日期删除，与频率无关。因此，如果值 10 在 1 月 1 日出现两次，在 1 月 2 日出现 3 次，则值 10 应该只在 1 月 1 日和 1 月 2 日出现一次。
可能值得补充的是pd.NA 和np.nan 可以有非常不同的行为。它们不一定可以互换
@rafaelc：添加了解释pd.NA和np.nan之间区别的链接
我只是在玩pd.NA，发现在创建ints 或floats 的列时，pd.NA 导致该列为object 类型。同样，pd.NA 强制将'value' 的type 变为object。因此，我撤回了我的建议。

【解决方案2】：

如果数据框已排序，这将起作用 - 如您的示例所示：

import numpy as np                                    # to be used for np.nan

df['duplicate'] = df['value'].shift(1)                # create a duplicate column 
df['value'] = df.apply(lambda x: np.nan if x['value'] == x['duplicate'] \
                          else x['value'], axis=1)    # conditional replace
df = df.drop('duplicate', axis=1)                     # drop helper column

【讨论】：

【解决方案3】：

按日期分组并取第一个观察值（按时间排序时不一定是第一个），然后将结果合并回原始数据框。

df2 = df.groupby([df['date'].dt.date, 'ID'], as_index=False).first()
>>> df.drop(columns='value').merge(df2, on=['date', 'ID'], how='left')[df.columns]
                 date  value      ID
0 2019-01-01 00:00:00   10.0  Jackie
1 2019-01-01 01:00:00    NaN  Jackie
2 2019-01-01 02:00:00    NaN  Jackie
3 2019-01-01 03:00:00    NaN  Jackie
4 2019-09-01 02:00:00   12.0    Zoop
5 2019-09-01 03:00:00    NaN    Zoop
6 2019-09-01 04:00:00    NaN    Zoop
7 2019-09-01 05:00:00    NaN    Zoop

【讨论】：