Pandas 丢掉 DataFrame 中重复的行
Suraj Joshi
2023年1月30日
2021年1月22日
-
DataFrame.drop_duplicates()语法 -
使用
DataFrame.drop_duplicates()方法删除重复的行 -
在
drop_duplicates()方法中设置keep='last'
本教程介绍了如何使用 DataFrame.drop_duplicates() 方法从 Pandas DataFrame 中删除所有重复的行。
DataFrame.drop_duplicates() 语法
DataFrame.drop_duplicates(subset=None,
keep='first',
inplace=False,
ignore_index=False)
它返回一个 DataFrame，删除 DataFrame 中所有重复的行。
使用 DataFrame.drop_duplicates() 方法删除重复的行
import pandas as pd
df_with_duplicates = pd.DataFrame({
'Id': [302, 504, 708, 103, 303, 302],
'Name': ['Watch', 'Camera', 'Phone', 'Shoes', 'Watch', 'Watch'],
'Cost': ["300", "400", "350", "100", "300", "300"]
})
df_without_duplicates = df_with_duplicates.drop_duplicates()
print("DataFrame with duplicates:")
print(df_with_duplicates, "\n")
print("DataFrame without duplicates:")
print(df_without_duplicates, "\n")
输出：
DataFrame with duplicates:
Id Name Cost
0 302 Watch 300
1 504 Camera 400
2 708 Phone 350
3 103 Shoes 100
4 303 Watch 300
5 302 Watch 300
DataFrame without duplicates:
Id Name Cost
0 302 Watch 300
1 504 Camera 400
2 708 Phone 350
3 103 Shoes 100
4 303 Watch 300
它会删除所有列的所有值都相同的行。默认情况下，DataFrame 中每一列都有相同值的行才被认为是重复的。在 df_with_duplicates DataFrame 中，第一行和第五行对所有列都有相同的值，所以第五行被删除。
设置 subset 参数以仅基于特定列删除重复项
import pandas as pd
df_with_duplicates = pd.DataFrame({
'Id': [302, 504, 708, 103, 303, 302],
'Name': ['Watch', 'Camera', 'Phone', 'Shoes', 'Watch', 'Watch'],
'Cost': ["300", "400", "350", "100", "300", "300"]
})
df_without_duplicates = df_with_duplicates.drop_duplicates(subset=['Name'])
print("DataFrame with duplicates:")
print(df_with_duplicates, "\n")
print("DataFrame without duplicates:")
print(df_without_duplicates, "\n")
输出：
DataFrame with duplicates:
Id Name Cost
0 302 Watch 300
1 504 Camera 400
2 708 Phone 350
3 103 Shoes 100
4 303 Watch 300
5 302 Watch 300
DataFrame without duplicates:
Id Name Cost
0 302 Watch 300
1 504 Camera 400
2 708 Phone 350
3 103 Shoes 100
在这里，我们将 Name 作为 subset 参数传给 drop_duplicates() 方法。第四行和第五行被删除，因为它们的 Name 列的值与第一列相同。
在 drop_duplicates() 方法中设置 keep='last'
import pandas as pd
df_with_duplicates = pd.DataFrame({
'Id': [302, 504, 708, 103, 303, 302],
'Name': ['Watch', 'Camera', 'Phone', 'Shoes', 'Watch', 'Watch'],
'Cost': ["300", "400", "350", "100", "300", "300"]
})
df_without_duplicates = df_with_duplicates.drop_duplicates(
subset=['Name'], keep="last")
print("DataFrame with duplicates:")
print(df_with_duplicates, "\n")
print("DataFrame without duplicates:")
print(df_without_duplicates, "\n")
输出：
DataFrame with duplicates:
Id Name Cost
0 302 Watch 300
1 504 Camera 400
2 708 Phone 350
3 103 Shoes 100
4 303 Watch 300
5 302 Watch 300
DataFrame without duplicates:
Id Name Cost
1 504 Camera 400
2 708 Phone 350
3 103 Shoes 100
5 302 Watch 300
它删除了所有的行，除了最后一行与 Name 列值相同的行。
我们设置 keep=False 来删除任何一列中具有相同值的所有行。
import pandas as pd
df_with_duplicates = pd.DataFrame({
'Id': [302, 504, 708, 103, 303, 302],
'Name': ['Watch', 'Camera', 'Phone', 'Shoes', 'Watch', 'Watch'],
'Cost': ["300", "400", "350", "100", "300", "300"]
})
df_without_duplicates = df_with_duplicates.drop_duplicates(
subset=['Name'], keep=False)
print("DataFrame with duplicates:")
print(df_with_duplicates, "\n")
print("DataFrame without duplicates:")
print(df_without_duplicates, "\n")
输出：
DataFrame with duplicates:
Id Name Cost
0 302 Watch 300
1 504 Camera 400
2 708 Phone 350
3 103 Shoes 100
4 303 Watch 300
5 302 Watch 300
DataFrame without duplicates:
Id Name Cost
1 504 Camera 400
2 708 Phone 350
3 103 Shoes 100
它删除了第一、五、六行，因为它们的 Name 列都有相同的值。
Author: Suraj Joshi
Suraj Joshi is a backend software engineer at Matrice.ai.
LinkedIn