本文介绍如何使用pandas清洗《幸存者》选手数据，通过去重同一选手在同季多次出现的记录，再统计真实参演季数，从而精准识别参演季数最多的选手。
本文介绍如何使用pandas清洗《幸存者》选手数据，通过去重同一选手在同季多次出现的记录，再统计真实参演季数，从而精准识别参演季数最多的选手。
在分析《幸存者》（Survivor）这类真人秀节目的选手参与频次时，一个常见但关键的陷阱是：同一选手可能因剪辑、返场或制作调整等原因，在单季数据中被重复记录多次（例如同一季出现3次），但这并不等价于参与了3季。因此，统计“最常出现选手”必须基于唯一（选手ID, 赛季名）组合，而非原始行数。
核心思路分三步：
- 去重：先消除同一选手在同季的冗余记录；
- 聚合：按选手维度统计其参与的不同赛季数量；
- 排序取顶：找出参演季数最多的选手。
以下为完整实现流程（假设你有两个DataFrame：castaways含赛季与选手ID映射，castaway_details含选手基础信息）：
import pandas as pd
# 步骤1：构建唯一参赛记录 —— 去除同一选手在同季的重复项
# 假设 castaways 包含列：'castaway_id', 'season_name'（或'season_number'）
unique_appearances = castaways.drop_duplicates(
subset=['castaway_id', 'season_name'], # 关键：按选手+赛季联合去重
keep='first' # 保留首次出现记录（也可用'last'，语义一致）
).copy()
# 步骤2：统计每位选手参与的独立季数
contestant_season_count = unique_appearances.groupby('castaway_id').size().reset_index(name='seasons_count')
# 步骤3：关联选手详细信息并获取TOP 1
result = contestant_season_count.merge(
castaway_details[['castaway_id', 'full_name', 'gender']],
on='castaway_id',
how='left'
).sort_values('seasons_count', ascending=False).head(1)
print("最常出现的选手：")
print(result[['full_name', 'seasons_count', 'gender']].to_dict('records')[0])✅ 关键注意事项：
- ❌ 不要直接对原始 castaways['castaway_id'] 调用 .value_counts() —— 这会把同季重复计为多季；
- ✅ 必须先用 drop_duplicates(subset=['castaway_id', 'season_name']) 锚定“真实参赛事件”；
- ? 若season_name存在格式不一致（如 "Survivor: Pearl Islands" vs "Pearl Islands"），建议标准化后再去重；
- ⚠️ 若需处理跨季重赛选手（如第1季和第20季都参加），本方法天然支持——只要castaway_id唯一且season_name准确，即可正确累计。
最终，你将得到一位参与独立赛季数最多的选手，结果兼具准确性与可复现性，适用于数据报告、可视化或后续建模分析。
