读取CSV
读取CSV文件由两种方式:
第一种
import csvwith open('data.csv','r',encoding = 'utf8') as fp: reader = csv.reader(fp) for row in reader: print(row)
第二种
import pandas as pd #需要导入pandas库df = pd.read_csv('data.csv')print(df)
用pandas库的.drop_duplicates函数
1 import shutil
2 import pandas as pd
3
4
5 frame=pd.read_csv('E:/bdbk.csv',engine='python')
6 data = frame.drop_duplicates(subset=['名称'], keep='first', inplace=False)
7 data.to_csv('E:/baike.csv', encoding='utf8')
通常会分为两种情况,一种是去除完全重复的行数据,另一种是去除某几列重复的行数据,就这两种情况可用下面的代码进行处理。
1. 去除完全重复的行数据
data.drop_duplicates(inplace=True)
2. 去除某几列重复的行数据
data.drop_duplicates(subset=['A','B'],keep='first',inplace=True)
subset: 列名,可选,默认为None
keep: {‘first’, ‘last’, False}, 默认值 ‘first’
first: 保留第一次出现的重复行,删除后面的重复行。
last: 删除重复项,除了最后一次出现。
False: 删除所有重复项。
inplace:布尔值,默认为False,是否直接在原数据上删除重复项或删除重复项后返回副本。
( inplace=True表示直接在原来的DataFrame上删除重复项,而默认值False表示生成一个副本。)
DataFrame.drop_duplicates(subset = None, keep = 'first')
DataFrame.drop_duplicates()中的参数完全实现。
其中subset这个参数默认‘None’是指选择所有列,即所有列的值都相同我才认为这两行是重复的,
也可以自定义为其中一部分列变量名,比如subset=['name','sex','age']。
keep参数中'first'和‘last’会根据index的前后产生不同的效果。参数False会去除所有重复行。
举个栗子:
name sex age
0 coco female 7
1 lily female 7
2 joe male 15
3 coco female 7
DataFrame.drop_duplicates(subset = None, keep = 'first'),产生的结果如下:
name sex age
0 coco female 7
1 lily female 7
2 joe male 15
若使用代码DataFrame.drop_duplicates(subset = None, keep = 'last'),结果如下:
name sex age
1 lily female 7
2 joe male 15
3 coco female 7
发现不考虑index以及行的顺序,效果与参数first相同。
若使用代码DataFrame.drop_duplicates(subset = None, keep = False), 则把相同的行全部删除,结果如下:
name sex age
1 lily female 7
2 joe male 15
所有重复的行都被删除,没有保留。
若使用代码DataFrame.drop_duplicates(subset = ['sex' , 'age'] , keep = False), 结果如下:
name sex age
2 joe male 15