python - inner - spark join dataframes

¿Cómo eliminar columnas que tienen los mismos valores en todas las filas a través de pandas o chispa de datos?

Question

Supongamos que tengo datos similares a los siguientes:

  index id   name  value  value2  value3  data1  val5
    0  345  name1    1      99      23     3      66
    1   12  name2    1      99      23     2      66
    5    2  name6    1      99      23     7      66

¿Cómo podemos eliminar todas esas columnas como ( value , value3 , value3 ) donde todas las filas tienen los mismos valores, en un comando o en un par de comandos que utilizan python ?

Considere que tenemos muchas columnas similares a value , value3 , value3 ... value200 .

Salida:

   index id      name   data1
        0  345  name1    3
        1   12  name2    2
        5    2  name6    7

Answer 1

Lo que podemos hacer es apply nunique para nunique el número de valores únicos en el df y eliminar las columnas que solo tienen un único valor único:

In [285]:
nunique = df.apply(pd.Series.nunique)
cols_to_drop = nunique[nunique == 1].index
df.drop(cols_to_drop, axis=1)

Out[285]:
   index   id   name  data1
0      0  345  name1      3
1      1   12  name2      2
2      5    2  name6      7

Otra forma es simplemente diff las columnas numéricas y sums :

In [298]:
cols = df.select_dtypes([np.number]).columns
diff = df[cols].diff().sum()
df.drop(diff[diff== 0].index, axis=1)
​
Out[298]:
   index   id   name  data1
0      0  345  name1      3
1      1   12  name2      2
2      5    2  name6      7

Otro enfoque es usar la propiedad de que la desviación estándar será cero para una columna con el mismo valor:

In [300]:
cols = df.select_dtypes([np.number]).columns
std = df[cols].std()
cols_to_drop = std[std==0].index
df.drop(cols_to_drop, axis=1)

Out[300]:
   index   id   name  data1
0      0  345  name1      3
1      1   12  name2      2
2      5    2  name6      7

En realidad, lo anterior se puede hacer en una sola línea:

In [306]:
df.drop(df.std()[(df.std() == 0)].index, axis=1)

Out[306]:
   index   id   name  data1
0      0  345  name1      3
1      1   12  name2      2
2      5    2  name6      7

Answer 2

Otra solución es set_index de la columna que no se compara y luego compara la primera fila seleccionada por iloc por eq con todos los DataFrame y el último uso de la boolean indexing :

df1 = df.set_index([''index'',''id'',''name'',])
print (~df1.eq(df1.iloc[0]).all())
value     False
value2    False
value3    False
data1      True
val5      False
dtype: bool

print (df1.ix[:, (~df1.eq(df1.iloc[0]).all())].reset_index())
   index   id   name  data1
0      0  345  name1      3
1      1   12  name2      2
2      5    2  name6      7