本文介绍如何使用pandas对《幸存者》选手参赛记录进行科学去重与频次统计：先按“姓名+赛季”组合剔除同一选手在单季内重复入场的情况，再统计每位选手实际参与的不同赛季数，最终精准识别参赛频次最高的选手。
本文介绍如何使用pandas对《幸存者》选手参赛记录进行科学去重与频次统计：先按“姓名+赛季”组合剔除同一选手在单季内重复入场的情况，再统计每位选手实际参与的不同赛季数，最终精准识别参赛频次最高的选手。
在分析《幸存者》（Survivor）这类真人秀的选手参与数据时，一个常见但易被忽略的关键点是：同一选手可能因规则（如重返、复活、双人回归等）在单季中被多次记录（例如初选、重赛、替补入场），但这仅算作1次有效参赛。若直接对castaway_id或full_name做全局计数（如.value_counts().idxmax()），会高估真实参赛频次，导致结果失真。
正确做法是：先基于“选手标识 + 赛季标识”去重，确保每位选手在每个赛季最多只计1次；再按选手聚合统计其参与的不同赛季数量。以下是完整实现流程：
✅ 步骤一：构造唯一参赛单元并去重
假设你有两个核心DataFrame：
- castaways：含castaway_id、season_name（或season_number）、full_name等字段；
- castaway_details：含castaway_id、full_name、gender等基础信息。
首先，合并或对齐关键字段，构建去重依据：
# 确保 castaways 中有 season_name 和 castaway_id（或 full_name） # 若需关联 castaway_details，可先 merge 获取完整信息 df = castaways[['castaway_id', 'season_name', 'full_name']].copy() # 关键：按 (castaway_id, season_name) 去重 —— 同一人同季只保留一条记录 df_dedup = df.drop_duplicates(subset=['castaway_id', 'season_name'], keep='first').reset_index(drop=True)
? 提示：使用keep='first'或'last'均可，二者语义一致，仅影响保留哪条原始记录；reset_index(drop=True)确保索引连续，便于后续操作。
✅ 步骤二：统计每位选手实际参与的赛季数
去重后，每位选手-赛季组合唯一，此时按选手聚合即可获得真实参赛季数：
# 按 castaway_id 统计不同 season_name 的数量（即参赛季数）
season_count = df_dedup.groupby('castaway_id')['season_name'].nunique().sort_values(ascending=False)
# 获取参赛次数最多的选手 ID
top_contestant_id = season_count.idxmax()
top_count = season_count.max()
print(f"参赛次数最多的选手 ID：{top_contestant_id}，共参与 {top_count} 个不同赛季")✅ 步骤三：获取该选手的完整信息
通过castaway_details表关联详细资料：
# 假设 castaway_details 以 castaway_id 为主键 top_contestant_info = castaway_details[castaway_details['castaway_id'] == top_contestant_id].iloc[0] print(top_contestant_info[['full_name', 'gender', 'age_at_debut']]) # 根据实际字段调整
⚠️ 注意事项
- 避免仅用full_name去重：存在重名风险（如多季出现同名选手），强烈建议优先使用唯一标识符castaway_id；
- 赛季字段需标准化：确保season_name或season_number格式统一（如全部为字符串或整数），否则drop_duplicates可能失效；
- 不要跳过去重直接计数：原问题中castaways['castaway id'].value_counts().idxmax()错误根源正在于此——它统计的是记录行数，而非独立赛季数；
- 扩展分析建议：可进一步计算前5名选手、各性别分布、平均参赛间隔等，增强分析深度。
通过上述三步，你将得到真正反映选手“跨季活跃度”的权威统计结果，为节目策略分析、粉丝研究或数据可视化提供坚实基础。
