重复值处理 - 清洗 DataFrame 中的各种重复类型 - Python代码

目录

所有列是否完全重复

指定某一列是否重复

根据多列判断是否重复，防止误删数据

其他数据预处理方法

---

通过八爪鱼或者火车头等采集器从全网抓取的数据中，总会存在各种各样的重复数据，为保证数据在使用过程中的准确性，总要先进行一番清洗。

所有列是否完全重复

在Pandas中，.duplicated()表示找出重复的行，默认是判断全部列，返回布尔类型的结果。对于完全没有重复的行，返回 False，对于有重复的行，第一次出现的那一行返回 False，其余的返回 True。

与.duplicated()对应的，.drop_duplicates()表示去重，即删除布尔类型为 True的所有行，默认是判断全部列。

import pandas as pd
import numpy as np
from pandas import DataFrame,Series

#读取文件
datafile = u'E:\\pythondata\\tt.xlsx'#文件所在位置，u为防止路径中有中文名称，此处没有，可以省略
data = pd.read_excel(datafile)#datafile是excel文件，所以用read_excel,如果是csv文件则用read_csv
examDf = DataFrame(data)
examDf#输出源数据，直观的查看哪些行是重复的

 

运行结果： 

	name	height	birthday	constellation	Blood
0	Jay	175	1979	摩羯座	O
1	Jay	175	1979	摩羯座	O
2	Jolin	156	1980	处女座	A
3	Jolin	156	1980	NaN	A
4	Hannah	165	1993	狮子座	B
5	JJ	173	1981	白羊座	O
6	Eason	173	1974	狮子座	O

很明显，第 0 行和第 1 行是完全重复的，开始去重，接着上面的代码，

#去重
print(examDf.duplicated())#判断是否有重复行，重复的显示为TRUE，
examDf.drop_duplicates()#去掉重复行

 

 

指定某一列是否重复

上述的数据中我们可以发现，第 2 行和第 3 行其实都是 Jolin 的信息，那么也是需要去重的。.duplicated()默认是判断全部列，那么加一点东西，就可以判断指定某一列了。

print(examDf.duplicated('name'))#判断name列是否有重复行，重复的显示为TRUE，
examDf.drop_duplicates('name')#去掉重复行

运行结果：

                                      

在实际应用中，需要指定的这一列往往是合同号，项目编号这一类的

 

根据多列判断是否重复，防止误删数据

仅仅根据name列判断是否重复，难免会把重名的另一个人的信息误删，比如娱乐圈的杨洋（小鲜肉男）和杨洋（快女），仅根据name判断是否重复的话，肯定会将其中一人的信息判断为重复数据，那么就增加几个判断条件，比如根据姓名，性别，生日三个条件来判断的话，误删的几率就会大大的减少。

import pandas as pd
import numpy as np
from pandas import DataFrame,Series

#读取文件
datafile = u'E:\\pythondata\\tt.xlsx'#文件所在位置，u为防止路径中有中文名称，此处没有，可以省略
data = pd.read_excel(datafile)#datafile是excel文件，所以用read_excel,如果是csv文件则用read_csv
examDf = DataFrame(data)
print(examDf.duplicated(['name','sex','birthday']))#判断name,sex,birthday列是否有重复行，重复的显示为TRUE，
examDf.drop_duplicates(['name','sex','birthday'])#去掉重复行

运行结果：

                              

 

望指正！

 

其他数据预处理方法

拉格朗日插值法补充缺失值

连续数据离散化（等宽、等频、聚类离散）

数据预处理 - 归一化与标准化