图解Pandas重复值处理

Posted 2021-08-10 尤尔小屋的猫

12_图解Pandas重复值处理

pandas中处理重复值使用的是两个函数：

• duplicated()：判断是否有重复值
• drop_duplicates() ：删除重复值

Pandas连载文章

Pandas的文章已经形成连载，欢迎关注阅读：

模拟数据

在本文中模拟了两份不同的数据：

1、一份订单数据，后面会使用

import pandas as pd
import numpy as np

# 导入一份模拟数据：待用

df1 = pd.read_excel("订单重复值.xlsx")
df1

2、模拟的另一份数据：

df2 = pd.DataFrame(np.ones([10,2]),  # 生成6*2的全部为1的数据
                   columns=["col1","col2"]
                  )
df2

再增加了两个字段：都是从列表中随机有抽样放回的选取

# 增加两列
list1 = ["a","b"]
list2 = [2,3]

# 在列表中随机选择10个元素，有放回抽样
df2["col3"] = np.random.choice(list1,10)  
df2["col4"] = np.random.choice(list2,10)

df2

duplicated()

函数的功能是检查数据中是否有重复值，用于标记 Series 中的值、DataFrame 中的记录行是否重复，重复为 True，不重复为 False。

每行数据都是和它前面的记录相比较。

语法

针对DataFrame类型数据：

pandas.DataFrame.duplicated(subset=None,keep='first')

或者针对Series的数据：

pandas.Series.duplicated(keep='first')

keep参数的3种取值解释：

• first：将重复项标记True为第一次出现的除外
• last：将重复项标记True为最后一次除外
• False：将所有重复项标记为True

判断哪些数据重复

通过这个函数能够判断哪些数据是重复的：重复标记为True，否则为False

参数subset

df2.duplicated(subset=["col3"])  # 单独看col3列是否重复

# 结果
0    False
1     True
2    False
3     True
4     True
5     True
6     True
7     True
8     True
9     True
dtype: bool
  
df2.duplicated(subset=["col1"])  # 单独看col1：全部是1，后面全部是重复的
0    False
1     True
2     True
3     True
4     True
5     True
6     True
7     True
8     True
9     True
dtype: bool

上面的两个例子都是看单个字段是否重复，下面的例子是通过查看多个属性：

df2.duplicated(subset=["col3","col4"])  # 同时看col3和col4

0    False
1     True
2    False
3     True
4     True
5     True
6     True
7    False
8    False
9     True
dtype: bool

参数keep

df2.duplicated(subset=["col3"],keep="last") 

0     True
1     True
2     True
3     True
4     True
5     True
6     True
7    False   # 第一次出现
8     True
9    False   # 第一次出现
dtype: bool

• 上面的keep参数使用的是last，相当于是最后的一条数据是初始值，前面的值和它进行比较，是否有重复值
• 下面的案例中keep使用的first(默认)，相当于是将第一次出现的数据看做是初始值，后面的数据和它相比；如果重复标记为True

df2.duplicated(subset=["col3"],keep="first")   # 默认是first

0    False  # 第一次出现
1     True
2    False  # 第一次出现
3     True
4     True
5     True
6     True
7     True
8     True
9     True
dtype: bool
  
df2.duplicated(subset=["col3"],keep=False)   # 将所有的重复值标记为True

0    True
1    True
2    True
3    True
4    True
5    True
6    True
7    True
8    True
9    True
dtype: bool

drop_duplicates()

该函数的作用是删除数据中的重复值

语法形式

• subset：表示按照指定的一个或者多个列属性来删除重复值，可选性；默认是全部列属性
• keep：表示删除重复值后保留的数据，默认是保留第一条数据
• inplace：表示删除重复是生成副本，还是直接在原数据上进行修改。这个参数的功能在pandas的功能都是如此
• ingoore_index：生成数据的索引是元数据的，还是从0,1,2…到n-1的自然数排列

下面是来自官网的参数解释：

全部使用默认参数

上面的结果有两个特点：

• 索引还是原数据的索引
• 保留的数据是每条值的第一条（如果存在重复值）
• 判断是否重复，使用的是全部列属性
• 上面的数据就是下面判断是否重复的为False的数据（对比序号）

参数subset

subset是可以指定我们想通过哪些属性来进行删除：

1、通过单个属性字段来删除

2、通过多个字段属性来删除

参数keep

keep参数保留我们想要的数据：第一条还是最后一条

1、keep=“first”

2、keep=“last”

通过duplicated()查看数据是否重复，可以看多索引为7和9的数据为False，因为它们是最后一次出现

参数ignore_index

该参数表示的是生成数据的索引是原数据的索引还是直接重新排名

参数inplace

如果是使用默认值False：

如果inplace使用True，不会生成数据，因为是在原数据的基础上修改的，导致原数据直接变化了：我们直接看df2

实战案例

在文章的最开始，我们已经导入了数据，几点需求说明：

• 每个订单可能存在多个状态，也可能只存在一个
• 我们想要找出最终的订单状态为“通过”的订单的所有数据

比如订单S1，存在3条状态，有两条是通过的，但是我们只想取出最近的一条通过的数据：2021-01-06

解决步骤1：先找出通过的全部订单，发现只有S7没有通过

通过下面的代码也能够找出最终是通过的订单：

order_pass = df1.query("状态 == '通过'")["订单号"].unique()
order_pass

解决步骤2：筛选出最终状态为通过的订单信息，下面提供了两种方式

解决步骤3：对df3进行去重即可

df3.drop_duplicates(
  subset="订单号",  # 根据订单号去重
  keep="last",  # 保留最后一条
  inplace=True,  # 原地修改
  ignore_index=True  # 索引重排
)

df3  # 结果中没有S7