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    False1    False2    False3    False4     True5     True6    False7     Truedtype: 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    False1    False2    False3     True4     True5     True6     True7     Truedtype: bool
'''#指定subset为class,name
print(df.duplicated(['class','name']))
'''
对应的运行结果0    False1    False2    False3    False4     True5     True6    False7     Truedtype: bool
'''#指定keep为last
print(df.duplicated(subset=['class','name'],keep='last'))
'''
对应的运行结果0    False1    False2     True3     True4     True5    False6    False7    Falsedtype: 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_speed0   mammal  humans       42.51  reptile  lizard       56.02     bird    dove      130.03   mammal  monkey       79.64     bird    dove      130.05     bird    dove      130.06  reptile   snake       66.67   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_speed0   mammal  humans       42.51  reptile  lizard       56.02     bird    dove      130.03   mammal  monkey       79.66  reptile   snake       66.6
'''#inplace=True的情况
df.drop_duplicates(inplace=True)
print(df)
'''
运行结果为class    name  max_speed0   mammal  humans       42.51  reptile  lizard       56.02     bird    dove      130.03   mammal  monkey       79.66  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！

利用Pandas来清除重复数据相关推荐

成功解决利用pandas输出DataFrame格式数据表时没有最左边的索引编号(我去，这个问题折腾了我半个多小时)
成功解决利用pandas输出DataFrame格式数据表时没有最左边的索引编号(我去,这个问题折腾了我半个多小时) 导读:首先,关于这个问题,博主想骂街,经过各种查询,没找到类似问题,然后博主自己不断 ...
3.4 利用Pandas进行数据清洗和数据规整化
本文章是3.4.3.5的内容,如果想要源代码和数据可以看以下链接: https://download.csdn.net/download/Ahaha_biancheng/83338868 文章目录 3 ...
SQL查询重复数据和清除重复数据
选择重复,消除重复和选择出序列有例表:emp emp_no name age 001 Tom 17 002 ...
【pandas】查找重复数据 df.duplicated() 、删除重复数据 df.drop_duplicates()
数据准备 import pandas as pdtrain = pd.read_csv(r"../input/titanic/train.csv") train.head() 查看 ...
利用Excel函数对重复数据进行编号解决方法
效果要求: 问题描述: 根据不同的类别(含重复数据)进行不同的编号排序,如上图所示用法: sumproduct 在Sumproduct函数的适用范围,在给定的几组数组中,然后把数组间对应的元素相乘, ...
利用sql语句删除重复数据
记录原因: 昨天遇到一个问题:需要写一个sql语句删除重复数据.当时解决的办法,是先查询出重复的数据id,然后再单独写删除语句进行删除.今天想了想应该还是有其他办法解决的,研究了下可以通过一条语句就能 ...
利用pandas读取Excel文件数据
说明 pandas能帮助我们在Python 代码中直接读取Excel 文件数据. 但只有pandas是不行的,会报错: ImportError: Missing optional dependency ...
利用pandas读取SQL Sever数据表
python的pandas库读取SQL sever有两种方法.一种使用pymssql,另一种使用sqlalchemy.这里只是将数据库中的表读取为DataFrame,不进行修改等表操作. 目录 pyt ...
Python 利用pandas 获取Excel重复记录
在EXCEL处理大量记录的时候,用EXCEL排序处理比较费劲,EXCEL程序动不动就无响应了,用pands处理: # We will use data structures and data anal ...

利用Pandas来清除重复数据