當我們使用pandas處理數(shù)據(jù)的時候，經(jīng)常會遇到數(shù)據(jù)重復的問題，如何找出重復數(shù)據(jù)進而分析重復原因，或者如何直接刪除重復的數(shù)據(jù)是一個關(guān)鍵的步驟，pandas提供了很方便的方法：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，前兩個會返回一個布爾值的Series，最后一個會返回一個布爾值的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(xiàn)以外的重復數(shù)據(jù)標記為True
last：將除最后一次出現(xiàn)以外的重復數(shù)據(jù)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(xiàn)）

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(guān)于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。下面只會介紹一些含義不同的參數(shù)。

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(shù)的inplace相同，選擇是修改現(xiàn)有數(shù)據(jù)還是返回新的數(shù)據(jù)

Series.drop_duplicates()相比Series.duplicated()也是多了一個inplace參數(shù)，和上訴介紹一樣，Index.drop_duplicates()與Index.duplicated()參數(shù)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