熊貓：使用groupby和函數的數據框篩選

Question

使用Python 3.3和Pandas 0.10

我有一個通過連接多個CSV文件構建的DataFrame。首先，我過濾掉名稱列中包含特定字符串的所有值。結果看起來是這樣的（簡稱爲簡潔的緣故，其實有更多列）：

Name ID 
'A'  1 
'B'  2 
'C'  3 
'C'  3 
'E'  4 
'F'  4 
...  ... 

現在我的問題是，我想刪除「複製」值的特殊情況。我想刪除映射到此ID的相應名稱值爲而非類似的所有ID副本（實際上是整行）。在上面的示例中，我想保留具有ID 1，2和3的行。其中ID = 4的名稱值不相等，我想刪除這些行。

我試着用下面這行代碼（根據這裏的建議：Python Pandas: remove entries based on the number of occurrences）。

代碼：

df[df.groupby('ID').apply(lambda g: len({x for x in g['Name']})) == 1] 

不過是給我的錯誤： ValueError: Item wrong length 51906 instead of 109565!

編輯：

而不是使用apply()我一直在使用transform()也嘗試過，但是這給我的錯誤： AttributeError: 'int' object has no attribute 'ndim'。非常感謝爲什麼每個功能的錯誤是不同的解釋！

另外，我想在上面的例子中保持ID = 3的所有行。

由於提前， Matthijs

Answer 1

而是長len的，我覺得你要考慮各組名稱的唯一值的數量。使用nunique()，並檢查出這個整潔的配方過濾組。

df[df.groupby('ID').Name.transform(lambda x: x.nunique() == 1).astype('bool')] 

如果升級到大熊貓0.12，您可以使用組新filter方法，這使得這個更加簡潔明瞭。

df.groupby('ID').filter(lambda x: x.Name.nunique() == 1) 

一般性發言：當然有時候，你想知道組的長度，但我發現，size比len一個更安全的選擇，這很麻煩，我在某些情況下。

Answer 2

你可以先刪除重複項：

In [11]: df = df.drop_duplicates() 

In [12]: df 
Out[12]: 
    Name ID 
0 A 1 
1 B 2 
2 C 3 
4 E 4 
5 F 4 

的groupby ID和只考慮那些具有一個元素：

In [13]: g = df.groupby('ID') 

In [14]: size = (g.size() == 1) 

In [15]: size 
Out[15]: 
ID 
1  True 
2  True 
3  True 
4  False 
dtype: bool 

In [16]: size[size].index 
Out[16]: Int64Index([1, 2, 3], dtype=int64) 

In [17]: df['ID'].isin(size[size].index) 
Out[17]: 
0  True 
1  True 
2  True 
4 False 
5 False 
Name: ID, dtype: bool 

和布爾索引此：

In [18]: df[df['ID'].isin(size[size].index)] 
Out[18]: 
    Name ID 
0 A 1 
1 B 2 
2 C 3