一.前言
最近刚好在练手一个数据挖掘的项目,众所周知,数据挖掘中比较重要的一步为数据清洗,而对重复数据的处理也是数据清洗中经常碰到的一项。本文将仅介绍如何利用Pandas来清除重复数据(主要指重复行),话不多说请看下文。
二.具体介绍
2.1. 导入Pandas库
pandas是python的核心数据分析库,你可以把它理解为python版的excel,倘若你还没有安装相应的库,请查询相关教程进行安装,导入pandas的代码为:
import pandas as pd
2.2. DataFrame.duplicated和DataFrame.drop_duplicates
2.2.1. duplicated函数
duplicated函数的功能为:Return boolean Series denoting duplicate rows,即返回一个标识重复行的布尔类型的数组(Series),其中重复行将标识为true,而非重复行将标识为false。
要介绍该函数的功能,首先我随意创建一个DataFrame对象,该对象的数据如下:
对应的创建代码为
import pandas as pd
#利用字典创建DataFrame对象
animal={'class':['mammal','reptile','bird','mammal','bird','bird','reptile','mammal'],
'name':['humans','lizard','dove','monkey','dove','dove','snake','monkey'],
'max_speed':[42.5,56,130,79.6,130,130,66.6,79.6]}
df = pd.DataFrame(animal)
应用duplicated函数便可以得到对应的bool数组,对应的代码行为
print(df.duplicated())
'''
对应的运行结果为
0 False
1 False
2 False
3 False
4 True
5 True
6 False
7 True
dtype: bool
'''
当然,在应用该函数时,我们可以为其指定参数,其原型为DataFrame.duplicated(self,subset,keep),其中:
- subset参数用来指定用来识别重复的列标签/列标签序列,当未指定时默认比较整行的所有列来判别是否重复;
- keep参数用来指定如何标记重复行,它的值有三个:first,last,False。当选择first时,重复行中除了第一次出现的全部标记为True;当选择last时,重复行中除最后一次出现的全部标记为True;当选择False时,所有重复行都将标记为True。
上述参数的代码示例为
#指定subset为class
print(df.duplicated('class'))
'''
对应的运行结果
0 False
1 False
2 False
3 True
4 True
5 True
6 True
7 True
dtype: bool
'''
#指定subset为class,name
print(df.duplicated(['class','name']))
'''
对应的运行结果
0 False
1 False
2 False
3 False
4 True
5 True
6 False
7 True
dtype: bool
'''
#指定keep为last
print(df.duplicated(subset=['class','name'],keep='last'))
'''
对应的运行结果
0 False
1 False
2 True
3 True
4 True
5 False
6 False
7 False
dtype: bool
'''
drop_duplicates函数
该函数的作用为:Return DataFrame with duplicate rows removed.即返回一个重复行被移除了的表,该函数的原型为:drop_duplicates(self,subset,keep,inplace),其中:
- subset参数的功能和duplicated函数类似;
- keep参数也与duplicated函数类似,不同的是:在duplicated函数中该函数是决定该标记哪些重复行,而这里是决定该删除那些重复行;
- inplace参数是决定在本对象直接删除重复行(inplace=True, 需显示指定),还是返回一个本对象的副本并删除了对应的重复行(inplace=False, 为默认情况)。
由于subset,keep参数的功能与duplicated参数功能类似,因此这里不做详细演示,下面将展示参数inplace参数在不同情况下代码和运行结果:
#inplace=False时的错误用法,这种情况df并未改变,同时又未获取到对应的副本
df.drop_duplicates()
print(df)
'''
运行结果为
class name max_speed
0 mammal humans 42.5
1 reptile lizard 56.0
2 bird dove 130.0
3 mammal monkey 79.6
4 bird dove 130.0
5 bird dove 130.0
6 reptile snake 66.6
7 mammal monkey 79.6
'''
#inplace=False时的正确用法
df_copy=df.drop_duplicates()
print(df_copy)
'''
运行结果为
class name max_speed
0 mammal humans 42.5
1 reptile lizard 56.0
2 bird dove 130.0
3 mammal monkey 79.6
6 reptile snake 66.6
'''
#inplace=True的情况
df.drop_duplicates(inplace=True)
print(df)
'''
运行结果为
class name max_speed
0 mammal humans 42.5
1 reptile lizard 56.0
2 bird dove 130.0
3 mammal monkey 79.6
6 reptile snake 66.6
'''
三.总结
利用Pandas中的这两个函数你可以清除数据中的重复行,或者加以指定参数你也可以指定删除数据中某项/某几项中重复的数据,总而言之,Pandas大法好!