0

Tengo un DataFrame con la siguiente estructura:

introducir la descripción de la imagen aquí

Lo que deseo es eliminar las filas duplicadas que contengan el mismo valor en la columna VC_CODASIG pero quedándome con la fila que tiene el máximo valor en la columna NOTA_FINAL. En caso de tener dos valores iguales como nota final, me debo quedar solo con uno, por ejemplo 441407 que como observamos se repite dos veces (en la columna 6 está la cantidad de veces que cada VC_CODASIG se repite).

En la imagen los que esta del mismo color se repiten y el color verde significa que solo me debo quedar con ese valor.

2 respuestas 2

1

La forma más directa es usar pandas.DataFrame.drop_duplicates usando el argumento keep para mantener una de las filas en vez de eliminarlas todas. La clave está en ordenar previamente el DataFrame por la columna NOTAFINAL.

Por ejemplo, si ordenamos de forma ascendente según NOTAFINAL podemos aplicar drop_duplicates(subset='VC_CODASIG', keep='last'):

>>> import pandas as pd
>>> data = {'VC_CODASI': (441407, 441407, 241404, 341401, 241404, 341401,
                          241410, 341406, 241410, 141409, 341404, 241410),
            'NOTAFINAL': (0.0, 0.0, 3.9, 1.0, 6.4, 5.2,
                          2.8, 5.7, 5.4, 1.4, 5.3, 0.5)}
>>> df = pd.DataFrame(data)
>>> df

    NOTAFINAL  VC_CODASI
0         0.0     441407
1         0.0     441407
2         3.9     241404
3         1.0     341401
4         6.4     241404
5         5.2     341401
6         2.8     241410
7         5.7     341406
8         5.4     241410
9         1.4     141409
10        5.3     341404
11        0.5     241410

>>> df.sort_values('NOTAFINAL', inplace=True)
>>> df.drop_duplicates('VC_CODASI', keep="last", inplace=True)
>>> df.sort_index(inplace=True) 
>>> df

    NOTAFINAL  VC_CODASI
1         0.0     441407
4         6.4     241404
5         5.2     341401
7         5.7     341406
8         5.4     241410
9         1.4     141409
10        5.3     341404
0

La opción de @FJSevilla funciona perfectamente. La opción alternativa sería usar groupby.
En ese caso el código iría así:

import pandas as pd
data = {'VC_CODASI': (441407, 441407, 241404, 341401, 241404, 341401,
                      241410, 341406, 241410, 141409, 341404, 241410),
        'NOTAFINAL': (0.0, 0.0, 3.9, 1.0, 6.4, 5.2,
                      2.8, 5.7, 5.4, 1.4, 5.3, 0.5)}
df = pd.DataFrame(data)

df2 = df.sort_values('NOTAFINAL', ascending=False).groupby(['VC_CODASI']).head(1).sort_index()

La diferencia inmediata es que este sistema te deja quedarte sólo con la mejor o con cuantas necesites (canviando head) y agrupar sólo por VC_CODASI o por varias columnas.

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.