如何分配唯一的ID以检测熊猫数据框中的重复行？

Question

我正在处理一个大熊猫数据框，其中有几列非常像这样：A      B         C    D   John   Tom       0    1Homer  Bart      2    3Tom    Maggie    1    4 Lisa   John      5    0Homer  Bart      2    3Lisa   John      5    0Homer  Bart      2    3Homer  Bart      2    3Tom    Maggie    1    4如何为每个重复的行分配唯一的ID？例如：A      B         C    D      new_idJohn   Tom       0    1.2      1Homer  Bart      2    3.0      2Tom    Maggie    1    4.2      3Lisa   John      5    0        4Homer  Bart      2    3        5Lisa   John      5    0        4Homer  Bart      2    3.0      2Homer  Bart      2    3.0      2Tom    Maggie    1    4.1      6我知道我可以duplicate用来检测重复的行，但是我无法想象正在增加这些行。我尝试过了：df.assign(id=(df.columns).astype('category').cat.codes)df但是，无法正常工作。如何获取用于检测重复行组的唯一ID？

Answer 1

对于小型数据框，您可以将行转换为元组（可以进行哈希处理），然后使用pd.factorize。

df['new_id'] = pd.factorize(df.apply(tuple, axis=1))[0] + 1

groupby 对于较大的数据框，效率更高：

df['new_id'] = df.groupby(df.columns.tolist(), sort=False).ngroup() + 1

Answer 2

按您要查找重复项的列进行分组并使用ngroup：

df['new_id'] = df.groupby(['A','B','C','D']).ngroup()