python - df.duplicated() 误报？

Question

我有一个包含 2,865,044 个条目和 3 级 MultiIndex 的数据框

MultiIndex.levels.names = ['year', 'country', 'productcode']

我正在尝试 reshape 数据框以生成宽数据框，但出现错误:

ReshapeError: Index contains duplicate entries, cannot reshape

我用过:

data[data.duplicated()]

识别导致错误的行，但它列出的数据似乎不包含任何重复项。

这导致我使用 to_csv() 导出我的数据框并在 Stata 中打开数据并使用 duplicates list 命令查找数据集不包含重复项(根据 stata)。

来自已排序的 csv 文件的示例:

year country productcode duplicate
1962    MYS     711       FALSE
1962    MYS     712       TRUE
1962    MYS     721       FALSE

我知道这是不可能的，但我想知道是什么原因造成的吗？每个索引列中的数据类型为['year': int; “国家”:海峡，“产品代码”:海峡]。 Pandas 如何定义独特的群体？列出有问题的索引行有更好的方法吗？

更新:我试过重置索引

temp = data.reset_index()
dup = temp[temp.duplicated(cols=['year', 'country', 'productcode'])]

我得到了一个完全不同的列表!

year    country productcode
1994      HKG      9710
1994      USA      9710
1995      HKG      9710
1995      USA      9710

更新 2 [28JUNE2013]:

在我的 IPython session 期间，这似乎是一个奇怪的内存问题。今天早上的新实例似乎工作正常并 reshape 了数据，而无需对昨天的代码进行任何调整!如果问题再次出现，我会进一步调试并通知您。有人知道 IPython session 的良好调试器吗？

Answer 1

也许试试

cleaned = df.reset_index().drop_duplicates(df.index.names)
cleaned.set_index(df.index.names, inplace=True)

我认为索引中应该有一个duplicated方法，现在还没有

https://github.com/pydata/pandas/issues/4060