Tengo el siguiente dataframe (copiado del que suministras de ejemplo):
>>> df
Nombre Edad
0 Roberto 29
1 Jorge 25
2 Roberto 29
3 Pablo 35
4 Roberto 29
Voy a programar una función que después usaré en df.apply()
, con axis=1
para que itere por filas en vez de por columnas. Por tanto esa función va a recibir (cada vez que es llamada) una de las filas del dataframe anterior. Esa fila la recibirá en forma de Series
. Por ejemplo, en la primera invocación recibiría la siguiente Series
:
Nombre Roberto
Edad 29
Name: 0, dtype: object
Como se ve, si la variable en la que la recibe la llamo x
, tendremos en x.name
el índice de la fila (0) y en x.values
los que corresponden a esa fila, es decir, "Roberto" y 29.
Mi idea es componer con esos dos valores una tupla ("Roberto", 29)
que pueda usar como clave para un diccionario, y usar ese diccionario para llevar un registro de si la tupla ya apareció antes (sería una fila repetida) o si es la primera vez. En caso de que haya aparecido antes el diccionario guardará la fila en que lo hizo.
En base a esa información la función retornará una cadena como "No"
(si la tupla no estaba en el diccionario) o "Sí, N"
(si ya estaba, siendo N el valor guardado en ese diccionario).
Esta sería esa función:
unicas = {} # Este es el diccionario que llevará el registro
def es_duplicado(x):
datos = tuple(x.values) # Sacar los datos de esa fila
index = x.name # y su índice
if datos in unicas: # ¿Estaba en el diccionario?
return f"Sí, {unicas[datos]}"
else:
unicas[datos] = index # No estaba, tomamos nota de ella
return "No"
Ya solo queda aplicar esa función:
df["Duplicado?"] = df.apply(es_duplicado, axis=1)
El resultado:
Nombre Edad Duplicado?
0 Roberto 29 No
1 Jorge 25 No
2 Roberto 29 Sí, 0
3 Pablo 35 No
4 Roberto 29 Sí, 0