python - 在保留原始数据的条件下从 Pandas dataFrame 中删除重复项

Question

假设我有以下 DataFrame:

 A | B
 1 | Ms
 1 | PhD
 2 | Ms
 2 | Bs

我想删除关于 A 列的重复行，我想保留 B 列中值为“PhD”的行作为原始行，如果我没有找到“PhD”，我想保留B 列中带有“Bs”的行。

我正在尝试使用

 df.drop_duplicates('A') 

有条件

Answer 1

考虑使用分类。他们很好的是按非字母顺序(除其他外)对文本进行分组/排序。

import pandas as pd  
#create a pandas dataframe for testing with two columns A integer and B string 
df = pd.DataFrame([(1, 'Ms'),  (1, 'PhD'),  
                   (2, 'Ms'),  (2, 'Bs'),  
                   (3, 'PhD'), (3, 'Bs'),  
                   (4, 'Ms'),  (4, 'PhD'),   (4, 'Bs')], 
                   columns=['A', 'B']) 
print("Original data") 
print(df) 
 
# force the column's string column B to type 'category'  
df['B'] = df['B'].astype('category') 
# define the valid categories: 
df['B'] = df['B'].cat.set_categories(['PhD', 'Bs', 'Ms'], ordered=True) 
#pandas dataframe sort_values to inflicts order on your categories 
df.sort_values(['A', 'B'], inplace=True, ascending=True) 
print("Now sorted by custom categories (PhD > Bs > Ms)") 
print(df) 
# dropping duplicates keeps first
df_unique = df.drop_duplicates('A') 
print("Keep the highest value category given duplicate integer group") 
print(df_unique)

打印:

Original data
   A    B
0  1   Ms
1  1  PhD
2  2   Ms
3  2   Bs
4  3  PhD
5  3   Bs
6  4   Ms
7  4  PhD
8  4   Bs
Now sorted by custom categories (PhD > Bs > Ms)
   A    B
1  1  PhD
0  1   Ms
3  2   Bs
2  2   Ms
4  3  PhD
5  3   Bs
7  4  PhD
8  4   Bs
6  4   Ms
Keep the highest value category given duplicate integer group
   A    B
1  1  PhD
3  2   Bs
4  3  PhD
7  4  PhD