Trouvez rapidement des paires symétriques dans numpy

from itertools import product
import pandas as pd

df = pd.DataFrame.from_records(product(range(10), range(10)))
df = df.sample(90)
df.columns = "c1 c2".split()
df = df.sort_values(df.columns.tolist()).reset_index(drop=True)
#     c1  c2
# 0    0   0
# 1    0   1
# 2    0   2
# 3    0   3
# 4    0   4
# ..  ..  ..
# 85   9   4
# 86   9   5
# 87   9   7
# 88   9   8
# 89   9   9
# 
# [90 rows x 2 columns]

Comment trouver, identifier et supprimer rapidement le dernier doublon de toutes les paires symétriques de cette trame de données?

Un exemple de paire symétrique est que «(0, 1)» est égal à «(1, 0)». Ce dernier doit être supprimé.

L'algorithme doit être rapide, il est donc recommandé d'utiliser numpy. La conversion en objet python n'est pas autorisée.

Vous pouvez trier les valeurs, puis groupby:

a= np.sort(df.to_numpy(), axis=1)
df.groupby([a[:,0], a[:,1]], as_index=False, sort=False).first()

Option 2 : Si vous avez beaucoup de paires c1, c2, cela groupbypeut être lent. Dans ce cas, nous pouvons attribuer de nouvelles valeurs et filtrer par drop_duplicates:

a= np.sort(df.to_numpy(), axis=1) 

(df.assign(one=a[:,0], two=a[:,1])   # one and two can be changed
   .drop_duplicates(['one','two'])   # taken from above
   .reindex(df.columns, axis=1)
)

Une façon consiste à utiliser np.uniqueavec return_index=Trueet à utiliser le résultat pour indexer la trame de données:

a = np.sort(df.values)
_, ix = np.unique(a, return_index=True, axis=0)

print(df.iloc[ix, :])

    c1  c2
0    0   0
1    0   1
20   2   0
3    0   3
40   4   0
50   5   0
6    0   6
70   7   0
8    0   8
9    0   9
11   1   1
21   2   1
13   1   3
41   4   1
51   5   1
16   1   6
71   7   1
...

frozenset

mask = pd.Series(map(frozenset, zip(df.c1, df.c2))).duplicated()

df[~mask]

je ferai

df[~pd.DataFrame(np.sort(df.values,1)).duplicated().values]

De pandas et numpy tri

s=pd.crosstab(df.c1,df.c2)
s=s.mask(np.triu(np.ones(s.shape)).astype(np.bool) & s==0).stack().reset_index()

En voici un basé sur NumPy pour les entiers -

def remove_symm_pairs(df):
    a = df.to_numpy(copy=False)
    b = np.sort(a,axis=1)
    idx = np.ravel_multi_index(b.T,(b.max(0)+1))
    sidx = idx.argsort(kind='mergesort')
    p = idx[sidx]
    m = np.r_[True,p[:-1]!=p[1:]]
    a_out = a[np.sort(sidx[m])]
    df_out = pd.DataFrame(a_out)
    return df_out

Si vous souhaitez conserver les données d'index telles quelles, utilisez return df.iloc[np.sort(sidx[m])].

Pour les nombres génériques (ints / float, etc.), nous utiliserons un view-based-

# https://stackoverflow.com/a/44999009/ @Divakar
def view1D(a): # a is array
    a = np.ascontiguousarray(a)
    void_dt = np.dtype((np.void, a.dtype.itemsize * a.shape[1]))
    return a.view(void_dt).ravel()

et remplacer simplement l'étape pour obtenir idxavec idx = view1D(b)en remove_symm_pairs.

Si cela doit être rapide , et si vos variables sont entières, alors l'astuce suivante peut vous aider: v,wsoit les colonnes de votre vecteur; construire [v+w, np.abs(v-w)] =: [x, y]; puis triez cette matrice lexicographiquement, supprimez les doublons et enfin mappez-la à nouveau [v, w] = [(x+y), (x-y)]/2.