Python 去重csv文件中相同的重复行

读取CSV

• 读取CSV文件由两种方式：

1. 第一种

import csvwith open('data.csv','r',encoding = 'utf8') as fp:    reader = csv.reader(fp)    for row in reader:        print(row)

2. 第二种

import pandas as pd #需要导入pandas库df = pd.read_csv('data.csv')print(df)

 

 

用pandas库的.drop_duplicates函数

1 import shutil
2 import pandas as pd
3 
4 
5 frame=pd.read_csv('E:/bdbk.csv',engine='python')
6 data = frame.drop_duplicates(subset=['名称'], keep='first', inplace=False)
7 data.to_csv('E:/baike.csv', encoding='utf8')

通常会分为两种情况，一种是去除完全重复的行数据，另一种是去除某几列重复的行数据，就这两种情况可用下面的代码进行处理。

1. 去除完全重复的行数据

• data.drop_duplicates(inplace=True)

2. 去除某几列重复的行数据

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

subset： 列名，可选，默认为None

keep： {‘first’, ‘last’, False}, 默认值 ‘first’

• first： 保留第一次出现的重复行，删除后面的重复行。
• last： 删除重复项，除了最后一次出现。
• False： 删除所有重复项。

inplace：布尔值，默认为False，是否直接在原数据上删除重复项或删除重复项后返回副本。

（ inplace=True表示直接在原来的DataFrame上删除重复项，而默认值False表示生成一个副本。）

DataFrame.drop_duplicates(subset = None, keep = 'first')

DataFrame.drop_duplicates()中的参数完全实现。

其中subset这个参数默认‘None’是指选择所有列，即所有列的值都相同我才认为这两行是重复的，

也可以自定义为其中一部分列变量名，比如subset=['name','sex','age']。

keep参数中'first'和‘last’会根据index的前后产生不同的效果。参数False会去除所有重复行。

举个栗子：

        name       sex            age

0    coco          female        7

1      lily           female        7

2     joe           male          15

3     coco        female        7

 DataFrame.drop_duplicates(subset = None, keep = 'first')，产生的结果如下：

        name       sex         age

0        coco    female         7

1      lily         female        7

2     joe         male          15

若使用代码DataFrame.drop_duplicates(subset = None, keep = 'last')，结果如下：

        name       sex         age

1      lily         female        7

2     joe         male          15

3      coco    female        7

发现不考虑index以及行的顺序，效果与参数first相同。

若使用代码DataFrame.drop_duplicates(subset = None, keep = False), 则把相同的行全部删除，结果如下：

        name       sex         age

1      lily         female        7

2     joe         male          15

所有重复的行都被删除，没有保留。

若使用代码DataFrame.drop_duplicates(subset = ['sex' , 'age'] , keep = False), 结果如下：

        name       sex         age

2     joe         male          15