Zduplikowane kolumny w Julia Dataframes

Question

W Python Pandas i R można łatwo pozbyć się zduplikowanych kolumn - wystarczy załadować dane, przypisać nazwy kolumn i wybrać te, które nie są zduplikowane.

Jakie są najlepsze praktyki postępowania z takimi danymi w firmie Julia Dataframes? Przypisywanie zduplikowanych nazw kolumn jest tutaj niedozwolone. Rozumiem, że jedynym sposobem byłoby większe masowanie przychodzących danych i pozbycie się takich danych przed skonstruowaniem Dataframe?

Chodzi o to, że prawie zawsze łatwiej jest radzić sobie ze zduplikowanymi kolumnami w już skonstruowanej ramce danych, niż z przychodzącymi danymi.

UPD: Miałem na myśli zduplikowane nazwy kolumn. Buduję ramkę danych z surowych danych, gdzie nazwy kolumn (a tym samym dane) mogą się powtarzać.

UPD2: dodano przykład Pythona.

>>> 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

Buduję swoją Julia Dataframe z macierzy Float32, a następnie przypisuję nazwy kolumn z wektora. W tym miejscu muszę pozbyć się kolumn, które mają zduplikowane nazwy (już obecne w ramce danych). Taka jest natura podstawowych danych, czasami mają one dupki, czasami nie, nie mam kontroli nad ich tworzeniem.

Answer 1

Czy to jest coś, czego szukasz (nie byłem w 100% pewien z twojego opisu - jeśli nie tego chcesz to zaktualizuj pytanie o przykład):

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     │

EDYTOWAĆ

Aby usunąć duplikaty nazw kolumn, użyj makeuniqueargumentu słowa kluczowego:

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  │

EDYCJA 2

Wydaje się, że masz dostęp do nazw kolumn podczas tworzenia ramki danych. W takim przypadku zrobiłbym:

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     │