Colonne duplicate in Julia Dataframes

Question

In Python Pandas e R è possibile eliminare facilmente le colonne duplicate: basta caricare i dati, assegnare i nomi delle colonne e selezionare quelli non duplicati.

Quali sono le migliori pratiche per gestire tali dati con Julia Dataframes? L'assegnazione di nomi di colonne duplicati non è consentita qui. Capisco che l'unico modo sarebbe massaggiare di più i dati in arrivo e sbarazzarsi di tali dati prima di costruire un Dataframe?

Il fatto è che è quasi sempre più facile gestire le colonne duplicate nel dataframe che è già costruito, piuttosto che nei dati in arrivo.

UPD: intendevo i nomi delle colonne duplicati. Creo dataframe da dati grezzi, dove i nomi delle colonne (e quindi i dati) potrebbero essere ripetuti.

UPD2: aggiunto esempio di Python.

>>> import numpy as np
>>> import pandas as pd
>>> df = pd.DataFrame(np.hstack([np.zeros((4,1)), np.ones((4,2))]), columns=["a", "b", "b"])
>>> df
     a    b    b
0  0.0  1.0  1.0
1  0.0  1.0  1.0
2  0.0  1.0  1.0
3  0.0  1.0  1.0
>>> df.loc[:, ~df.columns.duplicated()]
     a    b
0  0.0  1.0
1  0.0  1.0
2  0.0  1.0
3  0.0  1.0

Costruisco il mio Julia Dataframe da una matrice Float32 e quindi assegno i nomi delle colonne da un vettore. È qui che devo sbarazzarmi delle colonne che hanno nomi duplicati (già presenti in dataframe). Questa è la natura dei dati sottostanti, a volte ha dups, a volte no, non ho alcun controllo sulla sua creazione.

Answer 1

È questo qualcosa che stai cercando (non ero sicuro al 100% dalla tua descrizione - se questo non è quello che vuoi, aggiorna la domanda con un esempio):

julia> df = DataFrame([zeros(4,3) ones(4,5)])
4×8 DataFrame
│ Row │ x1      │ x2      │ x3      │ x4      │ x5      │ x6      │ x7      │ x8      │
│     │ Float64 │ Float64 │ Float64 │ Float64 │ Float64 │ Float64 │ Float64 │ Float64 │
├─────┼─────────┼─────────┼─────────┼─────────┼─────────┼─────────┼─────────┼─────────┤
│ 1   │ 0.0     │ 0.0     │ 0.0     │ 1.0     │ 1.0     │ 1.0     │ 1.0     │ 1.0     │
│ 2   │ 0.0     │ 0.0     │ 0.0     │ 1.0     │ 1.0     │ 1.0     │ 1.0     │ 1.0     │
│ 3   │ 0.0     │ 0.0     │ 0.0     │ 1.0     │ 1.0     │ 1.0     │ 1.0     │ 1.0     │
│ 4   │ 0.0     │ 0.0     │ 0.0     │ 1.0     │ 1.0     │ 1.0     │ 1.0     │ 1.0     │

julia> DataFrame(unique(last, pairs(eachcol(df))))
4×2 DataFrame
│ Row │ x1      │ x4      │
│     │ Float64 │ Float64 │
├─────┼─────────┼─────────┤
│ 1   │ 0.0     │ 1.0     │
│ 2   │ 0.0     │ 1.0     │
│ 3   │ 0.0     │ 1.0     │
│ 4   │ 0.0     │ 1.0     │

MODIFICARE

Per deduplicare i nomi delle colonne utilizzare l' makeuniqueargomento parola chiave:

julia> DataFrame(rand(3,4), [:x, :x, :x, :x], makeunique=true)
3×4 DataFrame
│ Row │ x         │ x_1      │ x_2      │ x_3       │
│     │ Float64   │ Float64  │ Float64  │ Float64   │
├─────┼───────────┼──────────┼──────────┼───────────┤
│ 1   │ 0.410494  │ 0.775563 │ 0.819916 │ 0.0520466 │
│ 2   │ 0.0503997 │ 0.427499 │ 0.262234 │ 0.965793  │
│ 3   │ 0.838595  │ 0.996305 │ 0.833607 │ 0.953539  │

MODIFICA 2

Quindi sembra che tu abbia accesso ai nomi delle colonne quando crei un data frame. In questo caso farei:

julia> mat = [ones(3,1) zeros(3,2)]
3×3 Array{Float64,2}:
 1.0  0.0  0.0
 1.0  0.0  0.0
 1.0  0.0  0.0

julia> cols = ["a", "b", "b"]
3-element Array{String,1}:
 "a"
 "b"
 "b"

julia> df = DataFrame(mat, cols, makeunique=true)
3×3 DataFrame
│ Row │ a       │ b       │ b_1     │
│     │ Float64 │ Float64 │ Float64 │
├─────┼─────────┼─────────┼─────────┤
│ 1   │ 1.0     │ 0.0     │ 0.0     │
│ 2   │ 1.0     │ 0.0     │ 0.0     │
│ 3   │ 1.0     │ 0.0     │ 0.0     │

julia> select!(df, unique(cols))
3×2 DataFrame
│ Row │ a       │ b       │
│     │ Float64 │ Float64 │
├─────┼─────────┼─────────┤
│ 1   │ 1.0     │ 0.0     │
│ 2   │ 1.0     │ 0.0     │
│ 3   │ 1.0     │ 0.0     │