本文介绍如何使用pandas对《幸存者》参赛者数据进行科学去重与频次统计：先按“姓名+赛季”组合剔除同一赛季重复参演记录，再统计每位选手实际参与的不同赛季数量，最终精准识别出场赛季数最多的选手。
本文介绍如何使用pandas对《幸存者》参赛者数据进行科学去重与频次统计：先按“姓名+赛季”组合剔除同一赛季重复参演记录，再统计每位选手实际参与的不同赛季数量，最终精准识别出场赛季数最多的选手。
在分析《幸存者》（Survivor）这类真人秀节目的参赛者活跃度时，一个常见但易被忽略的关键点是：同一选手在同一季中可能因返场、补位或剪辑分镜等原因在数据中出现多次记录，但这仅对应1次有效参赛。若直接对castaway_id或full_name做全局计数（如value_counts()），会高估其实际参赛赛季数，导致排名失真。
因此，正确流程应分为三步：
去重：基于“选手标识 + 赛季”组合保留唯一参赛事件
使用 drop_duplicates(subset=['castaway_id', 'season'])（或['full_name', 'season']，推荐用castaway_id防重名）移除同一选手在相同赛季的冗余记录。keep='first'（默认）或keep='last'均可，取决于业务偏好。聚合：按选手维度统计其参与的不同赛季数
去重后，对castaway_id分组并计算season列的去重数量（nunique()），即该选手实际参演的独立赛季数。排序取极值：定位最高频选手
按赛季数降序排列，取首行即可获得最频繁参赛者；也可用idxmax()配合loc精准提取。
以下为完整可运行示例（模拟真实数据结构）：
import pandas as pd
# 模拟 castaways 数据框：含选手ID、赛季、姓名等字段
castaways = pd.DataFrame({
'castaway_id': [101, 101, 101, 102, 102, 103, 103, 103],
'season': [39, 39, 40, 41, 41, 38, 39, 42],
'full_name': ['Jane', 'Jane', 'Jane', 'Karen', 'Karen', 'Alex', 'Alex', 'Alex']
})
# 步骤1：去除同一选手在相同赛季的重复记录
deduped = castaways.drop_duplicates(subset=['castaway_id', 'season'], keep='first')
# 步骤2：统计每位选手参与的不同赛季数
season_count = deduped.groupby('castaway_id')['season'].nunique().reset_index(name='seasons_participated')
# 步骤3：找出参赛赛季数最多的选手（支持并列）
top_contestant = season_count.loc[season_count['seasons_participated'].idxmax()]
print("最高频参赛者信息：")
print(top_contestant)✅ 输出示例：
castaway_id 101
seasons_participated 2
表明选手ID为101的参赛者实际参与了2个不同赛季（尽管原始数据中其在S39出现两次，但去重后仅计1次）。
⚠️ 关键注意事项：
- 优先使用castaway_id而非full_name去重：避免因姓名拼写差异（如“Jon”/“John”）或重名（如多位“Mike”）导致误合并；
- 确保season字段类型一致：若为字符串需统一格式（如"S42" → 42），否则nunique()将视为不同值；
- 处理并列情况：若多人并列最高频，idxmax()仅返回首个索引，建议改用 season_count[season_count['seasons_participated'] == season_count['seasons_participated'].max()] 获取全部；
- 关联选手详情：最终结果可通过merge与castaway_details表连接，补充性别、年龄等元信息。
通过这一标准化流程，你不仅能准确回答“谁参加了最多届《幸存者》”，更能为后续分析（如回归表现、淘汰轮次分布等）奠定干净可靠的数据基础。
