python - Python按2列分组,但获取记录因不同列而异
问题描述
我有一个数据框,它有 3 列,ZIP_CODE、TERR_NAME、STATE。对于给定的 ZIP_CODE 和 TERR_NAME,只能有一个州代码。可能存在重复记录,但不是具有相同 ZIP_CODE/TERR_NAME 和 2 个不同状态的记录?请问如何获取错误记录。
我尝试按 ZIP_CODE/TERR_NAME/STATE 进行分组,但对获取这些错误记录一无所知。
df1= sqlContext.createDataFrame([("81A01","TERR NAME 01","NJ"),("81A01","TERR NAME 01","CA"),("81A02","TERR NAME 02","NY"),("81A03","TERR NAME 03","NY"), ("81A03","TERR NAME 03","CA"), ("81A04","TERR NAME 04","FL"), ("81A05","TERR NAME 05","NJ"), ("81A06","TERR NAME 06","CA"), ("81A06","TERR NAME 06","CA")], ["zip_code","territory_name","state"])
df1.createOrReplaceTempView("df1_temp")
+--------+--------------+-----+
|zip_code|territory_name|state|
+--------+--------------+-----+
| 81A01| TERR NAME 01| NJ|
| 81A01| TERR NAME 01| CA|
| 81A02| TERR NAME 02| NY|
| 81A03| TERR NAME 03| NY|
| 81A03| TERR NAME 03| CA|
| 81A04| TERR NAME 04| FL|
| 81A05| TERR NAME 05| NJ|
| 81A06| TERR NAME 06| CA|
| 81A06| TERR NAME 06| CA|
+--------+--------------+-----+
我需要一个没有这些代码的数据框,即 81A01、81A03,它们具有相同的 zip_code、地区名称,但使用 spark.sql() 具有不同的州代码。
预期的新DF:
+--------+--------------+-----+
|zip_code|territory_name|state|
+--------+--------------+-----+
| 81A02| TERR NAME 02| NY|
| 81A04| TERR NAME 04| FL|
| 81A05| TERR NAME 05| NJ|
| 81A06| TERR NAME 06| CA|
| 81A06| TERR NAME 06| CA|
+--------+--------------+-----+
排除的邮政编码:
+--------+--------------+-----+
|zip_code|territory_name|state|
+--------+--------------+-----+
| 81A01| TERR NAME 01| NJ|
| 81A01| TERR NAME 01| CA|
| 81A03| TERR NAME 03| NY|
| 81A03| TERR NAME 03| CA|
+--------+--------------+-----+
提前致谢。
解决方案
import pandas as pd
data = {
"zip_code":["81A01", "81A01", "81A02", "81A03", "81A03", "81A04", "81A05",
"81A06", "81A06"],
"territory_name": ["TERR NAME 01", "TERR NAME 01", "TERR NAME 02",
"TERR NAME 03", "TERR NAME 03", "TERR NAME 04", "TERR NAME 05",
"TERR NAME 06", "TERR NAME 06"],
"state": ["NJ", "CA", "NY", "NY", "CA", "FL", "NJ", "CA", "CA"]
}
df = pd.DataFrame(data)
duplicate = list(set([tuple(df[(df["zip_code"] == df["zip_code"][i]) &
(df["territory_name"] == df["territory_name"][i])].index) for i in
range(len(df))]))
for i in duplicate:
if len(i) > 1:
if not df["state"][i[0]] == df["state"][i[1]]:
df = df.drop(i[0])
df = df.drop(i[1])
print(df)
推荐阅读
- c - 0 <= -1 怎么可能返回 true?
- typescript - Typescript Redux 使用 connect 编译错误(组件与签名不匹配)
- sql - 从结果集中排除结果
- javascript - 排队 SQL 查询
- spark-streaming - Azure IotHub 到 Spark 结构流式传输到 COSMOS DB(使用和 wo Kafka)
- python-3.x - Odoo 11:提高计算搜索方法的性能(当不存在直接关系时)?
- database - 我可以将用户地理定位数据 lat/lng 存储在我的数据库中但未加密但被截断吗
- apache - Apache Web Server 2.2 重定向到 Tomcat 更改过程中的 URL
- css - 在 Eclipse Photon 中增加 Project Explorer 树的字体大小
- google-maps - 层次结构不清晰 Google Maps API