识别数据帧中重复出现的值对

如何解决识别数据帧中重复出现的值对

我已经构建了一个工具来识别 Pandas 数据框中的重复值对。

索引	姓名1	name2	name3	name4	name5
0	蒂姆	皮特	史蒂夫	鲍勃	路易莎
1	皮特	蒂姆	艾丹	凯特	凯丝
2	凯文	克莱尔	伊恩	蒂姆	皮特
3	鲍勃	路易莎	蒂姆	皮特	托比
4	史蒂夫	克莱尔

该工具将从上述（非常小的）数据集中通知存在以下对：

对名称	频率
路易莎和鲍勃	2
皮特和鲍勃	2
皮特和路易莎	2
蒂姆和鲍勃	2
蒂姆和路易莎	2
蒂姆和皮特	4

为此，我采取了以下步骤：

1. 为每部电影创建一个布尔值向量，其值根据每个演员的外表设置（我实际上在这里使用 SciPy 的 csr_matrix() 类）
2. 取此向量及其转置的外积。
3. 将此矩阵添加到累加器矩阵（其类型为 int，同样属于 csr_matrix 类），在对角线上和上方丢弃了值。
4. 在累加器中的任何值超过 1 时标识。这些值中的每一个都表示一对的重复出现。我已经在新的 DF 中记录了这些对，其中包含 Louisa & Bob、Pete & Bob 等列。
5. 计算此 DF 中的非零值以获得每个转换对出现频率的计数。
6. 这些计数加了 1。

我相信这是一个很好的系统，用于识别这些“强制转换对”的出现频率。但是，我想知道每个演员对都出演了哪些电影：我的数据不足，但是，每个演员对的第一次出现。

我看到有几种方法可以解决这个问题：

1. 使用更高等级的数组：我可以堆叠在第 3 步中计算的矩阵。这将允许我返回上一次（第一次）出现的事件，因为我会保留这些信息。
2. 迭代每个强制转换对，并使用逻辑和比较来确定出现的次数。

选项 1 似乎一点也不简单。我正在使用的实际 DF 包含大约 11,000 行，识别出的转换对的数量约为 3,300。并且 SciPy csr_matrix 不支持与 NumPy ndarrays 类似的“堆叠”或更高等级的原则。我可以创建 11,000 个新的 csr_matrix 对象，但这似乎不是最佳实践。

而且选项 2 很丑！

这不是一个具体的问题，所以可能不合适，但我会重视您提供的任何评论/建议。