重复值处理

import pandas as pd

# 生成重复数据
data1 = ['a', 3]
data2 = ['b', 2]
data3 = ['a', 3]
data4 = ['c', 2]

df = pd.DataFrame([data1, data2, data3, data4], columns = ['col1', 'col2'])
print(df)

# 判断重复数据
isDuplicated = df.duplicated()     # 判断重复数据记录
print(isDuplicated)                # 打印输出

# 删除重复值
new_df1 = df.drop_duplicates()            # 删除数据记录中所有列值相同的记录
new_df2 = df.drop_duplicates(['col1'])    # 删除数据记录中col1值相同的记录
new_df3 = df.drop_duplicates(['col2'])    # 删除数据记录中col2值相同的记录
new_df4 = df.drop_duplicates(['col1', 'col2'])    # 删除数据记录中指定列（col1/col2）值相同的记录

print(new_df1)
print(new_df2)
print(new_df3)
print(new_df4)

判断重复数据的判断方法：df.duplicated()，该方法中两个主要的参数是subset和keep：

• subset：要判断重复值的列，可以指定特定列或多个列。默认使用全部列。
• keep：当重复时不标记为True的规则，可设置为第一个、最后一个和全部标记为True(False)。默认为第一个，即第一个重复值不标记为True。

删除重复数据的方法：df.drop_duplicates()，参数跟df.duplicated()一样。

 

Numpy重复值的判断

除了Pandas可用来做重复值判断和处理外，也可以使用Numpy中的unique()方法，该方法返回其参数数组中所有不同的值，并且按照从小到大的顺序排列。Python自带的内置函数set方法，也可以返回唯一元素的集合。