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])