Pandas常用操作 - 去重

1. 使用 drop_duplicates 去重

1.1 初始化数据

df = pd.DataFrame({'stu_name': ['Tom', 'Tony', 'Jack', 'Jack', np.nan], 'stu_age': [16, 16, 15, np.nan, 21]})

  stu_name  stu_age
0    Nancy     17.0
1     Tony     16.0
2     Tony     16.0
3     Jack     21.0
4     Jack      NaN

1.2 对一列去重

df_clean = df.drop_duplicates(subset=['stu_name'])
print(df)

  stu_name  stu_age
0    Nancy     17.0
1     Tony     16.0
3     Jack     21.0

1.3 对多列去重（多列同时满足重复）

df_clean2 = df.drop_duplicates(subset=['stu_name', 'stu_age'])
print(df_clean2)

  stu_name  stu_age
0    Nancy     17.0
1     Tony     16.0
3     Jack     21.0
4     Jack      NaN

2. 使用 duplicated 配合 drop 去重

2.1 初始化数据

df = pd.DataFrame({'stu_name': ['Tom', 'Tony', 'Jack', 'Jack', np.nan], 'stu_age': [16, 16, 15, np.nan, 21]})

  stu_name  stu_age
0    Nancy     17.0
1     Tony     16.0
2     Tony     16.0
3     Jack     21.0
4     Jack      NaN

2.2 对一列去重

duplicate_df = df[df.duplicated('stu_name')]
clean_df = df.drop(duplicate_df.index)

1. 使用 duplicated 先筛选出重复的行
2. 使用 drop 删除掉重复行

3. drop_duplicates 与 duplicated 常用参数含义

subset: 单个列名或者 一组列名数组（可选）。如果不设置该参数，则默认对全部列进行去重

keep: 保留的列

• 'first': 只保留第一个，其他重复项被删除（默认）
• 'last': 只保留最后一个，其他重复项被删除
• False: 出现重复项则都被删除