python去重保留唯一一个值_python -查找重复邮箱，保留没重复过的值

用pd读excel文件--2个邮件列表去重后，不包含的数据

这次是要读取两个excel的文件，然后查看tiany表中的邮箱不在spam中的邮箱，然后将结果另存为'email_result.xlsx'

知识点

读excel，没有列标题，命名标题

合并两个dataframe，然后找不同。用merge

取不包含*的值，再isin前面加 ~

写入csv，要注意是否包含了前面的索引

1、读excel

读excel文件

两个excel表都仅有邮箱一列，且无列名，所以在读取时要标明无列名，且要将列命名为'mail'.

下面的代码时错误的：

tianyan = pd.read_excel('C:/Users/*/Documents/tiany.xlsx',header=None)

出来之后标题是0，用rename函数也改不过来

然后在header= None后面加了 'names = 'mail' 还是不对，看不懂英文啊，吃大亏！！！

无奈求助大神，names都不会用？你看文档了吗？看不懂英文，来我教你看文档 （习惯性被鄙视(●ˇ∀ˇ●)

然后大神带着我看了一遍这个函数的英文解释才晓得，names后面应该是列表

header : int, list of ints, default 0

Row (0-indexed) to use for the column labels of the parsed DataFrame. If a list of integers is passed those row positions will be combined into a MultiIndex. Use None if there is no header.

names : array-like, default None

List of column names to use. If file contains no header row, then you should explicitly pass header=None

正确的应该是这个样子的：

tianyan = pd.read_excel('C:/Users/*/Documents/tiany.xlsx',header=None,names= ['mail'])

spam = pd.read_excel('C:/Users/*/Documents/spam.xlsx',header =None,names=['mail'])

两个表字段都命名为”mail"，方便后期处理

然后在每个dataframe后面加一列，用于区分

tiany表在后面加了一列：tiany，

spam表在后面加了一列：spam （字段名和值相同）

tiany['tiany'] = 'tiany'

spam['spam'] = 'spam'

2、合并两个dataframe，找到tiany中没有包含spam的邮箱

谷歌后用pd.merge函数，参照举例及文档，选择left

pd.merge(tiany,spam, how= 'left', on = 'mail')

最后的行数与tiany相同，要取最后一列为NaN的数据

3、计算结果

要保留最后一列为NaN的邮箱列

如果用excel的话就很方便了，先筛选最后一列为'NaN'的值，然后筛选第一列的邮箱，复制到新表另存为即可。

在python的话，要先选择最后一列为'NaN'的值。选spam的好选，如果是'NaN'的话就要报错了。

上面这个图是看有多少是spam的值，下面这个图是把只选最后一列为“NaN”的值，记得在前面加一个

~表示反选。（网上太多人抄别人的文章了，就不能自己写吗 ￣へ￣）

感谢STACK OVERFLOW网站，最后找到了反选的方法

这样还是没有完的，因为最后只保留第一列邮箱，其他的不要。所有上面的代码没问题，我就把值赋值给了email，然后再把最终结果保存到csv中

4、保存结果

先赋值给email_result

（新手就老老实实把步骤写好，打好基础，坑踩两次就好了）

email_result = email.mail

email_result

再保存

email_result.to_csv('C:/Users/xiaom/Documents/email_result.csv')

保存之后发现有索引，算了，就这样把，没啥影响。

第一篇博客就到这，用了这么久时间写，希望自己能不要重复踩坑，拜拜。

（写这么长，希望别被抄走了，转载、复制之类请发送站内信给我。虽然不一定会有人看到，但还是要说明一下）