每日一题28：数据操作之删除重复的电子邮件

一、每日一题

表: Person

+-------------+---------+
| Column Name | Type    |
+-------------+---------+
| id          | int     |
| email       | varchar |
+-------------+---------+
id 是该表的主键列(具有唯一值的列)。
该表的每一行包含一封电子邮件。电子邮件将不包含大写字母。

编写解决方案 删除 所有重复的电子邮件，只保留一个具有最小 id 的唯一电子邮件。

（对于 SQL 用户，请注意你应该编写一个 DELETE 语句而不是 SELECT 语句。）

（对于 Pandas 用户，请注意你应该直接修改 Person 表。）

运行脚本后，显示的答案是 Person 表。驱动程序将首先编译并运行您的代码片段，然后再显示 Person 表。Person 表的最终顺序 无关紧要 。

返回结果格式如下示例所示。

示例 1:

输入: 
Person 表:
+----+------------------+
| id | email            |
+----+------------------+
| 1  | [email protected] |
| 2  | [email protected]  |
| 3  | [email protected] |
+----+------------------+
输出: 
+----+------------------+
| id | email            |
+----+------------------+
| 1  | [email protected] |
| 2  | [email protected]  |
+----+------------------+
解释: [email protected]重复两次。我们保留最小的Id = 1。

# 该程序可以直接运行
import pandas as pd

def delete_duplicate_emails(person: pd.DataFrame) -> None:
    person.sort_values('id', inplace = True)
    person.drop_duplicates(subset = 'email', inplace = True)

    # Example usage:
data = {
        'id': [3, 2, 1],
        'email': ['[email protected]', '[email protected]', '[email protected]']
}

person_df = pd.DataFrame(data)
delete_duplicate_emails(person_df)
print(person_df)

题源：Leetcode

二、总结

这道题考察sort_values和drop_duplicates的用法。下面进行详细解析：

2.1 sort_values用法

DataFrame.sort_values(by, axis=0, ascending=True, inplace=False,
 kind='quicksort', na_position='last', ignore_index=False, key=None)

`sort_values` 是 pandas DataFrame 的一个方法，用于对 DataFrame 按指定的列进行排序。以下是 `sort_values` 方法的详细用法：

参数：

by:必选参数。制定要排序的列或列的列表。

axis:可选参数。用于制定排序的轴。0表示按行排序，1表示按列排序。默认值为0。

ascending:可选参数。布尔值或布尔值列表，制定排序顺序。‘True’表示升序（默认），‘False’表示降序。

inplace:可选参数。指定是否就地修改为DataFrame。True 表示就地修改，False表示返回排序后的副本（默认）。

kind:可选参数。指定排序算法，“quicksort”（默认为快速排序法），“mergesort”,"stable。

na_position:可选参数。指定缺失值的位置，“first”表示将NANs放在前面，“last”表示将NaNs放在后面（默认）。

ignore_index:可选参数。布尔值，指定排序后是否重置索引。‘True'表示重置索引，‘Flase’表示保留原索引（默认）。

key:可选参数。用于提供自定义排序键的函数。

示例：

# 按单列升序排序
df.sort_values(by='column_name')

# 按单列降序排序
df.sort_values(by='column_name', ascending=False)

# 按多列排序
df.sort_values(by=['column1', 'column2'], ascending=False])

# 按多列不同顺序排序
df.sort_values(by=['column1', 'column2'], ascending=[True, False])

# 就地排序
df.sort_values(by='column_name', inplace=True)

# 处理缺失值位置
df.sort_values(by='column_name', na_position='first')

# 重置索引
df.sort_values(by='column_name', ignore_index=True)

2.2 drop_duplicates用法

参照之前博客。

DataFrame.drop_duplicates(subset=None, keep='first', inplace=False)

subset：可选参数，指定考虑哪些列来判断重复，默认为所有列。你可以传入一列或多列的列名列表（作为字符串列表）来确定重复性。

keep：可选参数，决定如何处理重复项。

'first'（默认）：保留每个重复组中的第一个出现的行。
'last'：保留每个重复组中的最后一个出现的行。
False：删除所有重复的行。
inplace：可选参数，如果设置为True，则直接在原DataFrame上进行修改，不返回新的DataFrame。

2024.5.31