Pandas 重复值的处理

1. 前言

上一小节我们学习了 Pandas 库中对于缺失值 NaN 的检测、过滤和填充操作，对于数据完整性的提升有着十分重要的意义，除了缺失数据的存在，源数据经常还会存在重复性数据，尤其是在数据量越大的情况下，重复的概率也越大，数据中存在重复值，是常见的现象，这些数据只是根据我们的分析需要不同，而产生的价值不同，有时我们希望排除这些数据进行分析，而有时我们又需要对这部分数据进行单独的分析，那对于重复数据的不同分析需要，Pandas 库又提供了怎样的操作呢？

本小节我们将学习 Pandas 库对于重复数据的查找操作和重复数据的删除操作，为数据的进一步分析打下基础。

2. 重复值的查找

在讲解程序操作之前，我们先处理一下数据源，修改一部分重复数据出来，为下面的操作做准备：
图片描述

2.1 duplicated () 函数

该函数用于检测数据的重复值，返回值是一个布尔序列，如果某个值存在重复，则返回的为 True。该函数有两个参数，一个是参数 subset ，用于指定检测的某个列，另一个是 keep 指定如何控制如何检测重复值，有三个值可选择：

first：表示将第一次出现重复的值视为唯一的，后面重复的值标记为 True ，默认是这种方式；
last：表示将最后一次出现重复的值视为唯一的，前面的重复值标记为 True ；
False：表示将所有的重复项都标记为 True ；

下面我们通过实际代码操作来演示重复数据的检测操作：

# 导入pandas包
import pandas as pd
data_path="C:/Users/13965/Documents/myFuture/IMOOC/pandasCourse-progress/data_source/第12小节/execl数据demo.xlsx"
# 解析数据
data = pd.read_excel(data_path)
print(data)
# --- 输出结果 ---
        编程语言   推出时间    价格            主要创始人
0           java  1983年  45.6               James Gosling
1         python  1991年  67.0           Bjarne Stroustrup
2         python  1972年  45.6  Dennis MacAlistair Ritchie
3             js  1983年  45.6                          js
4  James Gosling  2012年  45.6              Rasmus Lerdorf
5            C++   java  75.0           Bjarne Stroustrup

# duplicated() 重复数据的判断
new_data= data.duplicated()
print(new_data)
# --- 输出结果 ---
0    False
1    False
2    False
3    False
4    False
5    False
dtype: bool
# 结果解析：这里的  duplicated() 函数我们什么参数也没设置，所有默认会以正行值作为判断，也就是判断是否有重复行的数据内容。

# duplicated() 设置 subset
new_data= data.duplicated(subset="价格")
print(new_data)
# --- 输出结果 ---
0    False
1    False
2     True
3     True
4     True
5    False
dtype: bool
# 结果解析：这里程序设置 subset="价格"，则只对标签为"价格"的列进行重复数据的检测，可以看到结果中重复数据值除了第一个重复值被视为唯一的，后面出现的重复值检测结果均被设置为了 True，因为 keep 参数如果不设置，默认是 first 方式检测。

# duplicated() 设置 keep 为 last
new_data= data.duplicated(subset="价格",keep="last")
print(new_data)
# --- 输出结果 ---
0     True
1    False
2     True
3     True
4    False
5    False
dtype: bool
# 结果解析：这里指定 keep="last" ，表示最后一次出现的重复值视为唯一的，之前出现的重复值被检查为重复，结果为 True 。

# duplicated() 设置 keep 为 False
new_data= data.duplicated(subset="价格",keep=False)
print(new_data)
# --- 输出结果 ---
0     True
1    False
2     True
3     True
4     True
5    False
dtype: bool
# 结果解析：这里通过设置 keep=False ，将检测出的所有重复值均表示为 True 。

3. 重复值的删除

3.1 drop_duplicates () 函数

该函数用于删除特定列下的重复数据行，并返回一个新的数据集对象，其中有两个重要的参数，一是 subset ，该参数用来指定判定重复的数据的列，默认是所有的列；二是 keep 参数，该参数是用来控制如何删除重复值的，有三个参数值选项：

first：表示将第一次出现的重复值视为唯一的，删除后面出现重复值的数据行，默认是这种方式；
last：表示将最后一次出现重复的值视为唯一的，删除前面出现重复值的数据行；
False：表示将删除重复值所在的所有数据行；

下面我们通过实际代码操作来演示重复数据的删除操作：

# 导入pandas包
import pandas as pd
data_path="C:/Users/13965/Documents/myFuture/IMOOC/pandasCourse-progress/data_source/第12小节/execl数据demo.xlsx"
# 解析数据
data = pd.read_excel(data_path)
print(data)
# --- 输出结果 ---
        编程语言   推出时间    价格               主要创始人
0           java  1983年  45.6               James Gosling
1         python  1991年  67.0           Bjarne Stroustrup
2         python  1972年  45.6  Dennis MacAlistair Ritchie
3             js  1983年  45.6                          js
4  James Gosling  2012年  45.6              Rasmus Lerdorf
5            C++   java  75.0           Bjarne Stroustrup

# drop_duplicates()
data_res=data.drop_duplicates()
print(data_res)
# --- 输出结果 ---
            编程语言   推出时间    价格            主要创始人
0           java  1983年  45.6               James Gosling
1         python  1991年  67.0           Bjarne Stroustrup
2         python  1972年  45.6  Dennis MacAlistair Ritchie
3             js  1983年  45.6                          js
4  James Gosling  2012年  45.6              Rasmus Lerdorf
5            C++   java  75.0           Bjarne Stroustrup
# 结果解析：这里我们直接使用了 drop_duplicates() 函数，但是没有传入任何的参数，默认则是以整行进行判断是否存在重复行，要是存在则进行删除操作。这里因为没有重复行，因此返回的数据集和原数据集内容一样。

# 设置 subset="编程语言"
data_res=data.drop_duplicates(subset="编程语言")
print(data_res)
# --- 输出结果 ---
            编程语言   推出时间    价格    主要创始人
0           java  1983年  45.6      James Gosling
1         python  1991年  67.0  Bjarne Stroustrup
3             js  1983年  45.6                 js
4  James Gosling  2012年  45.6     Rasmus Lerdorf
5            C++   java  75.0  Bjarne Stroustrup
# 结果解析：这里设置了 subset="编程语言" ，以编程语言列为标准查找重复值，默认 keep="first" 表示第一次的重复值视为唯一的不进行删除，通过输出结果可以看到，第3行的数据被删除了。

# 设置 keep="last"
data_res=data.drop_duplicates(subset="编程语言",keep="last")
print(data_res)
# --- 输出结果 ---
            编程语言   推出时间    价格            主要创始人
0           java  1983年  45.6               James Gosling
2         python  1972年  45.6  Dennis MacAlistair Ritchie
3             js  1983年  45.6                          js
4  James Gosling  2012年  45.6              Rasmus Lerdorf
5            C++   java  75.0           Bjarne Stroustrup
# 结果解析：这里设置了 keep="last" 表示将最后一个出现的重复值视为唯一的，因此这里删除了第2行的数据。

# 设置 keep=False
data_res=data.drop_duplicates(subset="编程语言",keep=False)
print(data_res)
# --- 输出结果 ---
            编程语言   推出时间    价格      主要创始人
0           java  1983年  45.6      James Gosling
3             js  1983年  45.6                 js
4  James Gosling  2012年  45.6     Rasmus Lerdorf
5            C++   java  75.0  Bjarne Stroustrup
# 结果解析：通过设置 keep=False 可以看到所有重复值所在的行都被删除了。

3. 小结

本节课程我们主要学习了 Pandas 库对于重复数据的处理，包括查询重复数据值，以及对出现重复的数据进行删除操作，根据我们实际的应用需要，我们可以方便的去处理重复数据，从而进一步的对数据开展分析工作。本节课程的重点如下：

使用 duplicated () 函数去检测重复数据值的操作以及其中参数的设置；
使用 drop_duplicates () 函数去删除重复的数据值。

图片描述