Pandas标记删除重复记录

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

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=‘frist’：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

[python] view plain copy

print ?

1. import numpy as np  
2. import pandas as pd   
3. #标记DataFrame重复例子  
4. df = pd.DataFrame({’col1’: [‘one’, ‘one’, ‘two’, ‘two’, ‘two’, ‘three’, ‘four’], ‘col2’: [1, 2, 1, 2, 1, 1, 1],  
5.                    ’col3’:[‘AA’,‘BB’,‘CC’,‘DD’,‘EE’,‘FF’,‘GG’]},index=[‘a’, ‘a’, ‘b’, ‘c’, ‘b’, ‘a’,‘c’])  
6. #duplicated(self, subset=None, keep=’first’)  
7. #根据列名标记  
8. #keep=’first’  
9. df.duplicated()#默认所有列，无重复记录  
10. df.duplicated(’col1’)#第二、四、五行被标记为重复  
11. df.duplicated([’col1’,‘col2’])#第五行被标记为重复  
12. #keep=’last’  
13. df.duplicated(’col1’,‘last’)#第一、三、四行被标记重复  
14. df.duplicated([’col1’,‘col2’],keep=‘last’)#第三行被标记为重复  
15. #keep=False  
16. df.duplicated(’col1’,False)#Series([True,True,True,True,True,False,False],index=[‘a’,’a’,’b’,’c’,’b’,’a’,’c’])  
17. df.duplicated([’col1’,‘col2’],keep=False)#在col1和col2列上出现相同的，都被标记为重复  
18. type(df.duplicated([’col1’,‘col2’],keep=False))#pandas.core.series.Series  
19. #根据索引标记  
20. df.index.duplicated()#默认keep=’first’,第二、五、七行被标记为重复  
21. df.index.duplicated(keep=’last’)#第一、二、三、四被标记为重复  
22. df[df.index.duplicated()]#获取重复记录行  
23. df[~df.index.duplicated(’last’)]#获取不重复记录行  
24. #标记Series重复例子  
25. #duplicated(self, keep=’first’)  
26. s = pd.Series([’one’, ‘one’, ‘two’, ‘two’, ‘two’, ‘three’, ‘four’] ,index= [‘a’, ‘a’, ‘b’, ‘c’, ‘b’, ‘a’,‘c’],name=‘sname’)  
27. s.duplicated()  
28. s.duplicated(’last’)  
29. s.duplicated(False)  
30. #根据索引标记  
31. s.index.duplicated()  
32. s.index.duplicated(’last’)  
33. s.index.duplicated(False)  

import numpy as np
import pandas as pd 

#标记DataFrame重复例子 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']) #duplicated(self, subset=None, keep='first') #根据列名标记 #keep='first' df.duplicated()#默认所有列，无重复记录 df.duplicated('col1')#第二、四、五行被标记为重复 df.duplicated(['col1','col2'])#第五行被标记为重复 #keep='last' df.duplicated('col1','last')#第一、三、四行被标记重复 df.duplicated(['col1','col2'],keep='last')#第三行被标记为重复 #keep=False df.duplicated('col1',False)#Series([True,True,True,True,True,False,False],index=['a','a','b','c','b','a','c']) df.duplicated(['col1','col2'],keep=False)#在col1和col2列上出现相同的，都被标记为重复 type(df.duplicated(['col1','col2'],keep=False))#pandas.core.series.Series #根据索引标记 df.index.duplicated()#默认keep='first',第二、五、七行被标记为重复 df.index.duplicated(keep='last')#第一、二、三、四被标记为重复 df[df.index.duplicated()]#获取重复记录行 df[~df.index.duplicated('last')]#获取不重复记录行 #标记Series重复例子 #duplicated(self, keep='first') s = pd.Series(['one', 'one', 'two', 'two', 'two', 'three', 'four'] ,index= ['a', 'a', 'b', 'c', 'b', 'a','c'],name='sname') s.duplicated() s.duplicated('last') s.duplicated(False) #根据索引标记 s.index.duplicated() s.index.duplicated('last') s.index.duplicated(False)

drop_duplicates函数用于删除Series、DataFrame中重复记录，并返回删除重复后的结果

pandas.DataFrame.drop_duplicates(self, subset=None, keep=’first’, inplace=False)

pandas.Series.drop_duplicates(self, keep=’first’, inplace=False)

[python] view plain copy

print ?

1. #删除DataFrame重复记录例子  
2. #drop_duplicates(self, subset=None, keep=’first’, inplace=False)  
3. df.drop_duplicates()  
4. df.drop_duplicates(’col1’)#删除了df.duplicated(‘col1’)标记的重复记录  
5. df.drop_duplicates(’col1’,‘last’)#删除了df.duplicated(‘col1’,’last’)标记的重复记录  
6. df1.drop_duplicates([’col1’,‘col2’])#删除了df.duplicated([‘col1’,’col2’])标记的重复记录  
7. df.drop_duplicates(’col1’,keep=‘last’,inplace=True)#inplace=True表示在原DataFrame上执行删除操作  
8. df.drop_duplicates(’col1’,keep=‘last’,inplace=False)#inplace=False返回一个副本  
9. #删除Series重复记录例子  
10. #drop_duplicates(self, keep=’first’, inplace=False)  
11. s.drop_duplicates()  

#删除DataFrame重复记录例子

#drop_duplicates(self, subset=None, keep='first', inplace=False) df.drop_duplicates() df.drop_duplicates('col1')#删除了df.duplicated('col1')标记的重复记录 df.drop_duplicates('col1','last')#删除了df.duplicated('col1','last')标记的重复记录 df1.drop_duplicates(['col1','col2'])#删除了df.duplicated(['col1','col2'])标记的重复记录 df.drop_duplicates('col1',keep='last',inplace=True)#inplace=True表示在原DataFrame上执行删除操作 df.drop_duplicates('col1',keep='last',inplace=False)#inplace=False返回一个副本 #删除Series重复记录例子 #drop_duplicates(self, keep='first', inplace=False) s.drop_duplicates()