Python pandas找出、刪除重復的數據實例

Posted on by

前言

當我們使用pandas處理數據的時候，經常會遇到數據重復的問題，如何找出重復數據進而分析重復原因，或者如何直接刪除重復的數據是一個關鍵的步驟，pandas提供瞭很方便的方法：duplicated()和drop_duplicates()。

一、duplicated()

duplicated()可以被用在DataFrame的三種情況下，分別是pandas.DataFrame.duplicated、pandas.Series.duplicated和pandas.Index.duplicated。他們的用法都類似，前兩個會返回一個佈爾值的Series，最後一個會返回一個佈爾值的numpy.ndarray。

DataFrame.duplicated(subset=None, keep=‘first’)

subset：默認為None，需要標記重復的標簽或標簽序列

keep：默認為‘first’，如何標記重復標簽

  • first：將除第一次出現以外的重復數據標記為True
  • last：將除最後一次出現以外的重復數據標記為True
  • False：將所有重復的項都標記為True（不管是不是第一次出現）

Series.duplicated(keep=‘first’)

keep：與DataFrame.duplicated的keep相同

Index.duplicated(keep=‘first’)

keep：與DataFrame.duplicated的keep相同

例子：

import pandas as pd
df = pd.DataFrame({
    'brand': ['Yum Yum', 'Yum Yum', 'Indomie', 'Indomie', 'Indomie'],
    'style': ['cup', 'cup', 'cup', 'pack', 'pack'],
    'rating': [4, 4, 3.5, 15, 5]
})
df

    brand style  rating
0  Yum Yum   cup     4.0
1  Yum Yum   cup     4.0
2  Indomie   cup     3.5
3  Indomie  pack    15.0
4  Indomie  pack     5.0 

df.duplicated()

0    False
1     True
2    False
3    False
4    False
dtype: bool

df.duplicated(keep='last')

0     True
1    False
2    False
3    False
4    False
dtype: bool

df.duplicated(keep=False)

0     True
1     True
2    False
3    False
4    False
dtype: bool

df.duplicated(subset=['brand'])

0    False
1     True
2    False
3     True
4     True
dtype: bool

關於Index的重復標記：

df = df.set_index('brand')
df

        style  rating
brand                
Yum Yum   cup     4.0
Yum Yum   cup     4.0
Indomie   cup     3.5
Indomie  pack    15.0
Indomie  pack     5.0

df.index.duplicated()

array([False,  True, False,  True,  True])

二、drop_duplicates()

與duplicated()類似，drop_duplicates()是直接把重復值給刪掉。下面隻會介紹一些含義不同的參數。

DataFrame.drop_duplicates(subset=None, keep=‘first’, inplace=False)

  • subset：與duplicated()中相同
  • keep：與duplicated()中相同
  • inplace：與pandas其他函數的inplace相同，選擇是修改現有數據還是返回新的數據

Series.drop_duplicates()相比Series.duplicated()也是多瞭一個inplace參數，和上訴介紹一樣，Index.drop_duplicates()與Index.duplicated()參數相同就不做贅述。下面是例子：

df = pd.DataFrame({
    'brand': ['Yum Yum', 'Yum Yum', 'Indomie', 'Indomie', 'Indomie'],
    'style': ['cup', 'cup', 'cup', 'pack', 'pack'],
    'rating': [4, 4, 3.5, 15, 5]
})
df

     brand style  rating
0  Yum Yum   cup     4.0
1  Yum Yum   cup     4.0
2  Indomie   cup     3.5
3  Indomie  pack    15.0
4  Indomie  pack     5.0

df.drop_duplicates()

     brand style  rating
0  Yum Yum   cup     4.0
2  Indomie   cup     3.5
3  Indomie  pack    15.0
4  Indomie  pack     5.0

df.drop_duplicates(inplace = True)

df

     brand style  rating
0  Yum Yum   cup     4.0
2  Indomie   cup     3.5
3  Indomie  pack    15.0
4  Indomie  pack     5.0

總結

有剩餘無，pandas有很多好用的庫，但是系統學下來很不現實，都是在實際項目中不斷的發現、積累、記錄下來。

到此這篇關於Python pandas找出、刪除重復數據的文章就介紹到這瞭,更多相關pandas找出刪除重復數據內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet！

推薦閱讀：