如何按DataFrame中含子串的列去重，保留首次出现的行？

原始数据 #

import pandas as pd

df = pd.DataFrame({
    'ID': [1, 2, 3, 4, 5],
    'Components': ['Room 1, ABC', 'Room 2, ABC', 'Room 3, DEF', 'Room 1, DEF', 'Room 3, DEF']
})

需求说明 #

需要按Components列中的Room n子串去重，每个Room仅保留首次出现的行，忽略子串后的其他内容（如ABC、DEF）。

解决方案 #

核心思路是先提取出每行的Room标识，再基于该标识去重：

# 提取Room子串作为临时列
df['Room'] = df['Components'].str.extract(r'(Room \d+)')

# 按Room列去重，保留首次出现的行，最后删除临时列
filtered_df = df.drop_duplicates(subset='Room', keep='first').drop(columns='Room')

输出结果 #

ID    Components
0   1  Room 1, ABC
1   2  Room 2, ABC
2   3  Room 3, DEF

补充说明 #

• 正则表达式(Room \d+)用于精准匹配"Room + 数字"的格式，如果Room标识包含字母或其他字符，可调整为(Room \w+)；
• 若不想创建临时列，也可以直接在drop_duplicates中使用提取逻辑（可读性稍弱）：

  filtered_df = df.loc[df['Components'].str.extract(r'(Room \d+)')[0].drop_duplicates(keep='first').index]
  

内容的提问来源于stack exchange，提问作者Andy Paling