Pandas:删掉重复行（drop_duplicates()用法）

        在Python的数据分析领域，drop_duplicates()是一个非常实用的方法，主要用于数据清洗过程中去除数据框中的重复行。下面详细介绍drop_duplicates()的使用方法和参数：

一、基本用法

        假设有一个包含重复行的DataFrame ，可以使用`drop_duplicates()方法来去除这些重复行。它会默认基于所有列来判断重复，并删除除第一个出现之外的所有重复行。

import pandas as pd

# 示例 DataFrame
data = {'Column1': [1, 2, 2, 3, 3, 3],
        'Column2': ['A', 'B', 'B', 'C', 'C', 'D']}
df = pd.DataFrame(data)

# 去除重复行
df_unique = df.drop_duplicates()

二、参数说明

subset: 这个参数允许在指定基于哪些列来检查重复项，默认为所有列。如果你只想基于某列去除重复，可以这样做：

    df_unique = df.drop_duplicates(subset='Column1')

keep: 控制如何处理重复项，默认值为'first'，表示保留每个重复组的第一个出现。你也可以设置为'last'来保留最后一个出现的重复行，或者设置为False`来删除所有重复行。

    # 保留每个重复组的最后一个出现
    df_unique_last = df.drop_duplicates(keep='last')
    
    # 删除所有重复行
    df_unique_none = df.drop_duplicates(keep=False)

inplace: 默认为False，意味着操作会返回一个新的DataFrame，不会改变原DataFrame。如果设置为True，则会在原DataFrame上进行修改，不会返回新对象。

    # 直接在原DataFrame上操作
    df.drop_duplicates(inplace=True)

三、总结：

在处理大量数据时，注意drop_duplicates()可能会消耗较多内存，因为它需要比较数据以识别重复项。
如果DataFrame有指定索引列，并且想基于索引去重，确保索引是唯一的，或者明确将索引包含在subset参数中。

参考文档：

pandas.DataFrame.drop_duplicates — pandas 2.2.2 documentation