Lesson11——Pandas去重函数：drop_duplicates()

pandas目录

　　“去重”通过字面意思不难理解，就是删除重复的数据。在一个数据集中，找出重复的数据删并将其删除，最终只保存一个唯一存在的数据项，这就是数据去重的整个过程。删除重复数据是数据分析中经常会遇到的一个问题。通过数据去重，不仅可以节省内存空间，提高写入性能，还可以提升数据集的精确度，使得数据集不受重复数据的影响。

　　Panda DataFrame 对象提供了一个数据去重的函数 drop_duplicates()，本节对该函数的用法做详细介绍。

函数格式

　　drop_duplicates() 函数的语法格式如下：

　　df.drop_duplicates(subset=['A','B','C'],keep='first',inplace=True)

　　参数说明如下：

• subset：表示要进去重的列名，默认为 None。

• keep：有三个可选参数，分别是 first、last、False，默认为 first，表示只保留第一次出现的重复项，删除其余重复项，last 表示只保留最后一次出现的重复项，False 则表示删除所有重复项。

• inplace：布尔值参数，默认为 False 表示删除重复项后返回一个副本，若为 Ture 则表示直接在原数据上删除重复项。

实际应用

　　首先创建一个包含有重复值的 DataFrame 对象，如下所示：

Example：创建数据

data = {
    'A':[1,0,1,1],
    'B':[0,2,5,0],
    'C':[4,0,4,4],
    'D':[1,0,1,1]
}
df = pd.DataFrame(data=data)
print(df)
"""
   A  B  C  D
0  1  0  4  1
1  0  2  0  0
2  1  5  4  1
3  1  0  4  1
"""

Example：默认保留第一次出现的重复项

print(df.drop_duplicates()) #默认保留第一次出现的重复项
"""
   A  B  C  D
0  1  0  4  1
1  0  2  0  0
2  1  5  4  1
"""

Example： keep=False 删除所有重复项

print(df.drop_duplicates(keep=False)) #keep=False删除所有重复项
"""
   A  B  C  D
1  0  2  0  0
2  1  5  4  1
"""

Example：去除所有重复项，对于 B 列来说两个 0 是重复项

print(df.drop_duplicates(subset=['B'],keep=False))#去除所有重复项，对于B列来说两个0是重复项
"""
   A  B  C  D
1  0  2  0  0
2  1  5  4  1
"""

　　从上述示例可以看出，删除重复项后，行标签使用的数字是原来的，并没有从 0 重新开始，那么我们应该怎么从 0 重置索引呢？Pandas 提供的 reset_index() 函数会直接使用重置后的索引。如下所示：

Example：

data={
    'A':[1,3,3,3],
    'B':[0,1,2,0],
    'C':[4,5,4,4],
    'D':[3,3,3,3]
}
df=pd.DataFrame(data=data)
#去除所有重复项，对于B来说两个0是重复项
df=df.drop_duplicates(subset=['B'],keep=False)
print(df)
print('-------------')
#重置索引，从0重新开始
print(df.reset_index(drop=True))
"""
   A  B  C  D
1  3  1  5  3
2  3  2  4  3
-------------
   A  B  C  D
0  3  1  5  3
1  3  2  4  3
"""

Example：指定多列同时去重

　　创建一个 DataFrame 对象，如下所示：

df = pd.DataFrame({'Country ID':[1,1,2,12,34,23,45,34,23,12,2,3,4,1],
                    'Age':[12,12,15,18, 19, 25, 21, 25, 25, 18, 25,12,32,18],
                   'Group ID':['a','z','c','a','b','s','d','a','b','s','a','d','a','f']})
print(df)
"""
    Country ID  Age Group ID
0            1   12        a
1            1   12        z
2            2   15        c
3           12   18        a
4           34   19        b
5           23   25        s
6           45   21        d
7           34   25        a
8           23   25        b
9           12   18        s
10           2   25        a
11           3   12        d
12           4   32        a
13           1   18        f
"""

#last只保留最后一个重复项
print(df.drop_duplicates(['Age','Country ID'],keep='last'))
"""
    Country ID  Age Group ID
1            1   12        z
2            2   15        c
4           34   19        b
6           45   21        d
7           34   25        a
8           23   25        b
9           12   18        s
10           2   25        a
11           3   12        d
12           4   32        a
13           1   18        f
"""