Estoy trabajando con Pandas y la función duplicated()
para detectar filas que son iguales.
import pandas as pd
d = {
1: {'nombre': 'n1', 1: 10, 2: 20, 3: 30},
2: {'nombre': 'n2', 1: 10, 2: 20, 3: 30},
3: {'nombre': 'n3', 1: 11, 2: 21, 3: 30},
4: {'nombre': 'n4', 1: 11, 2: 21, 3: 30},
5: {'nombre': 'n5', 1: 12, 2: 22, 3: 30},
6: {'nombre': 'n6', 1: 13, 2: 22, 3: 30},
7: {'nombre': 'n7', 1: 14, 3: 35},
8: {'nombre': 'n8', 2: 22, 3: 35},
}
pd.DataFrame.from_dict(d).transpose().set_index('nombre')
Esto me da un precioso data frame tal que así:
1 2 3
nombre
n1 10 20 30 # igual que n2
n2 10 20 30 # igual que n1
n3 11 21 30 # igual que n4
n4 11 21 30 # igual que n3
n5 12 22 30
n6 13 22 30
n7 14 NaN 35
n8 NaN 22 35
Ahora quiero agrupar las líneas cuyas columnas coincidan. Esto es, quiero que pandas me diga que las filas de valor n1
y n2
son iguales y lo mismo con n3
-n4
.
Usando duplicated()
obtengo algo muy interesante:
df[df.duplicated(keep=False)]
Es decir:
1 2 3
nombre
n1 10 20 30
n2 10 20 30
n3 11 21 30
n4 11 21 30
Que es correcto, pues detecta cuáles son las filas que tienen duplicados. Sin embargo, lo que realmente me interesa es saber cuáles son esas columnas, así como cuáles son los pares duplicados. Es decir, necesitaría obtener un resultado del tipo [(n1, n2), (n3,n4)]
(una lista con las tuplas duplicadas entre sí.
Busco y busco en la documentación de pandas y no consigo encontrar algo así. Probé con groupby()
pero no consigo nada razonable.