Pandas重复记录处理
1 概述
Pandas提供了duplicated、Index.duplicated、drop_duplicates函数来标记及删除重复记录。
duplicated函数用于标记Series中的值、DataFrame中的记录行是否是重复，重复为True，不重复为False。
函数定义：
pandas.DataFrame.duplicated(self, subset=None, keep='first')pandas.Series.duplicated(self, keep='first')
其中参数解释如下：
subset：用于识别重复的列标签或列标签序列，默认所有列标签keep='first'：除了第一次出现外，其余相同的被标记为重复keep='last'：除了最后一次出现外，其余相同的被标记为重复keep=False：所有相同的都被标记为重复
2 标记DataFrame重复例子
# 引入numpy和pandas
import numpy as np
import pandas as pd
df = pd.DataFrame({'col1': ['one', 'one', 'two', 'two', 'two', 'three', 'four'], 'col2': [1, 2, 1, 2, 1, 1, 1],
'col3':['AA','BB','CC','DD','EE','FF','GG']},index=['a', 'a', 'b', 'c', 'b', 'a','c'])
df
| (index) | col1 | col2 | col3 |
|---|---|---|---|
| a | one | 1 | AA |
| a | one | 2 | BB |
| b | two | 1 | CC |
| c | two | 2 | DD |
| b | two | 1 | EE |
| a | three | 1 | FF |
| c | four | 1 | GG |
2.1 根据列名标记
#keep='first'
df.duplicated()#默认所有列，无重复记录
a False
a False
b False
c False
b False
a False
c False
dtype: bool
#keep='first'
df.duplicated('col1')#第二、四、五行被标记为重复
a False
a True
b False
c True
b True
a False
c False
dtype: bool
#keep='first'
df.duplicated(['col1','col2'])#第五行被标记为重复
a False
a False
b False
c False
b True
a False
c False
dtype: bool
#keep='last'
df.duplicated('col1','last')#第一、三、四行被标记重复
a True
a False
b True
c True
b False
a False
c False
dtype: bool
df.duplicated(['col1','col2'],keep='last')#第三行被标记为重复
a False
a False
b True
c False
b False
a False
c False
dtype: bool
#keep=False
df.duplicated('col1',False)
a True
a True
b True
c True
b True
a False
c False
dtype: bool
#keep=False
df.duplicated(['col1','col2'],keep=False)
a False
a False
b True
c False
b True
a False
c False
dtype: bool
type(df.duplicated(['col1','col2'],keep=False))
pandas.core.series.Series
2.2 根据索引标记
df.index.duplicated()#默认keep='first',第二、五、七行被标记为重复
array([False, True, False, False, True, True, True])
df.index.duplicated(keep='last')#第一、二、三、四被标记为重复
array([ True, True, True, True, False, False, False])
df[df.index.duplicated()]#获取重复记录行
| (index) | col1 | col2 | col3 |
|---|---|---|---|
| a | one | 2 | BB |
| b | two | 1 | EE |
| a | three | 1 | FF |
| c | four | 1 | GG |
df[~df.index.duplicated('last')]#获取不重复记录行
| (index) | col1 | col2 | col3 |
|---|---|---|---|
| b | two | 1 | EE |
| a | three | 1 | FF |
| c | four | 1 | GG |
3 标记Series重复例子
s = pd.Series(['one', 'one', 'two', 'two', 'two', 'three', 'four'] ,index= ['a', 'a', 'b', 'c', 'b', 'a','c'],name='sname')
s
a one
a one
b two
c two
b two
a three
c four
Name: sname, dtype: object
s.duplicated()
a False
a True
b False
c True
b True
a False
c False
Name: sname, dtype: bool
s.duplicated('last')
a True
a False
b True
c True
b False
a False
c False
Name: sname, dtype: bool
s.duplicated(False)
a True
a True
b True
c True
b True
a False
c False
Name: sname, dtype: bool
s.index.duplicated()
array([False, True, False, False, True, True, True])
s.index.duplicated('last')
array([ True, True, True, True, False, False, False])
s.index.duplicated(False)
array([ True, True, True, True, True, True, True])