Python pandas で concat した際のエラーの意味 Shape of passed values is (a1, b1), indices imply (a2, b2)

Question

データ分析で pandas を使っていて、データフレーム同士を

df2 = pd.concat([df2, df1], axis = 1)

のように concat で結合しています。
ここで、
df1 : pd.read_csv で取得した CSVファイルが元の Series
df2 : df1 を for文で フォルダ内の該当データを concat で結合させた Dataframe
です。

問題は いくつかのCSVファイルを読み込む際に

Shape of passed values is (a1, b1), indices imply (a2, b2)

的なエラーがでます。 a1,a2,b1,b2 は Index と Column の数だと思われ、
これらが 一致していないから エラーということは 何となくわかるのですが…。

実際の処理中では a1 = a2、 b1 ≠ b2 で エラーとなっています。
（a1 = a2 = 14, b1 = 153, b2 = 150 ）

concat を axis = 1 で行うため 列方向にデータフレームを 結合させているのですが、
df1 と df2 の index、column 数は違っていても良いはずです。

ちなみに df2 の index が 132個、 column が 13個 の状態で 　　　　(※)
index 47個、 column 1個 の df1 を結合させたら エラーがでました。
結合の結果、 a1 = 153, a2 = 150 となりました。

※
column は 1個ずつ 結合するので、df2 column 数が 13個でエラーが出たということは、
それまで 13個は 結合ができていたということです

■ 疑問1
具体的に このエラーで示す a1 と a2 というのは 具体的には 何の数値なんでしょうか？
どちらか 1つが結合後の index の数だとして、もう1つが 意味する数値の意味がわからないため
エラーの原因が理解できませんでした。

■ 疑問2
エラーが起きる一部の CSVファイルを 取り除くと うまく処理ができます。
その CSVファイル の index のラベルを見ても 他との違いが一見判らず
なぜ 特定のCSVファイルで エラーが起こるのか わかりません。
問題となるCSVファイル･データフレームの 不具合部分を見つける方法は なにかないでしょうか？

実現したいこと

1. pd.concat で エラーを発生させない
2. エラーを発生させるCSVファイルの修正箇所を調べる方法

問題の発生した環境

Python 3.6.6
pandas 0.23.4

曖昧な質問で申し訳ありませんが、なにかわかることがあれば お願いいたします。

Answer 1

疑問１に対すある解はもっていないのですが・・

どうやらこのエラーは DataFrameのIndex値が重複している場合に引き起こるようです。

import pandas as pd
import numpy as np

df1 = pd.DataFrame([[1,2],[3,4]], index =['A','B'])
df2 = pd.DataFrame([[5,6],[7,8]], index =['A','A']) #Indexが重複
pd.concat([df1, df2], axis=1)
#ValueError: Shape of passed values is (4, 3), indices imply (4, 2)

ですので、 drop_duplicates() 等でIndexが重複した行を削除したのちに pandas.concat() を実行するよ良いのではないでしょうか。

Comments

[Ruthird]

このシンプルな例だと確かに結合した際に、結合前はindexがAとBという2行のデータフレームにAとAの1行のデータフレームを結合させて、3行のデータフレームになるはずが、結合前と同じindexがあるから2行にしかならない、という数字の関係性は見えますね（合っているのかはわかりませんが）。indexの重複の仕方がヒントのような気がしてきました。確認して今夜結果をお返しします。

[magichan]

私も似たような想定をしております。が、行と列が逆に表示されているのが少し気になるところですね。

[Ruthird]

解決しました。

問題が発生するCSVデータに3つだけ 事例と同様に index に同じ名前が存在していたことが原因でした。その index の付け方自体に問題があったため、CSVファイル側を修正したところ エラーが発生しなくなりました。疑問2は index の重複の index がないかを調べればよく、疑問1 は 上記のコメントの通りでしたので どちらもクリアになりました。確かに 行と列の順番が異なるのだけ 気になりますが 問題ありません。

結合する df1 側を修正してOKとなったので、drop_duplicates() は 完全には試せてません。 index が重複していましたが、名前の付け方を間違えただけで 本来別のデータであるため この処理は 今回は不要でした。 ありがとうございました。