python的去重以及數(shù)據(jù)合并的用法說(shuō)明

更新時(shí)間：2023年02月07日 14:13:06 作者：Just_do_it_2018

這篇文章主要介紹了python的去重以及數(shù)據(jù)合并的用法說(shuō)明，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教

python去重及數(shù)據(jù)合并

drop_dupicates

參數(shù)含義：

subset：即表示要去重指定參考的列
keep : {‘first’, ‘last’, False}, default ‘first’

inplace:boolean, default False, 直接在原來(lái)的數(shù)據(jù)上修改還是保留副本

data = pd.DataFrame({'id':[1,1,2],'value':[12,14,27]})

#第一個(gè)參數(shù)傳入需要比對(duì)的列,在"id"列有相同的id,則進(jìn)行去重
data.drop_duplicates(['id'],keep='last',inplace=True)

#我想比較"id"、"value"兩列的值全部相同時(shí)則去重
data.drop_duplicates(['id','value'],keep='last',inplace=True)

#如果想直接比較數(shù)據(jù)中的全部列都相同時(shí)才能去除，則可以按照如下方法.keep默認(rèn)的是保留第一個(gè)
data.drop_duplicates()

merge

首先關(guān)于連接，從SQL中的可以得知，連接主要分為外連接和內(nèi)連接：

內(nèi)連接

內(nèi)連接是指在兩個(gè)數(shù)據(jù)表中，根據(jù)其指定合并的列，找到其交集，也就是既在df1中出現(xiàn)，也在df2中出現(xiàn)的數(shù)據(jù)

df1=pd.DataFrame({'key':['b','b','a','c','a','a','b'],
? ? ? ? ? ? ? ? ? 'data':range(7)})
df2=pd.DataFrame({'key':['a','b','d'],
? ? ? ? ? ? ? ? ? 'data2':range(3)})
df = pd.merge(df1,df2,on='key',how='inner') #不寫(xiě)how也沒(méi)關(guān)系，因?yàn)閙erge默認(rèn)的就是內(nèi)連接?

假設(shè)如果在df1和df2中的指定要合并的列的列名不一致的話，則需要顯式指定根據(jù)哪一列進(jìn)行合并

df3=pd.DataFrame({'key1':['b','b','a','c','a','a','b'],
? ? ? ? ? ? ? ? ? 'data':range(7)})
df4=pd.DataFrame({'key2':['a','b','d'],
? ? ? ? ? ? ? ? ? 'data2':range(3)})
df = pd.merge(df3,df4,left_on='key1',right_on='key2')
# 該結(jié)果比上面的on='key'的結(jié)果多一列相同的列，但是兩個(gè)的本質(zhì)是一樣的，都是內(nèi)連接

外連接

外連接可以分為三種，全外連接、左連接和右連接。

全外連接就是保留兩個(gè)表中指定合并的列關(guān)鍵字的并集，然后在左右兩個(gè)表中找到相對(duì)應(yīng)的數(shù)據(jù)進(jìn)行填充，沒(méi)有的用NAN代替

df1=pd.DataFrame({'key':['b','b','a','c','a','a','b'],
? ? ? ? ? ? ? ? ? 'data':range(7)})
df2=pd.DataFrame({'key':['a','b','d'],
? ? ? ? ? ? ? ? ? 'data2':range(3)})

df = pd.merge(df1,df2,on='key',how='outer')

右連接是保留右表中指定列的所有關(guān)鍵字，然后去左表中找到指定列對(duì)應(yīng)的數(shù)據(jù)進(jìn)行補(bǔ)充，沒(méi)有的就NAN代替

df = pd.merge(df1,df2,on='key',how='right')

左連接是保留左表中指定列的所有關(guān)鍵字，然后去右表中找到指定列對(duì)應(yīng)的數(shù)據(jù)進(jìn)行補(bǔ)充，沒(méi)有的就NAN代替

df = pd.merge(df1,df2,on='key',how='left')

python去重腳本

可以用來(lái)去除字典、漏洞數(shù)量等

使用方法，將要去重的部分保存成為csv格式，并命名為all.csv，直接執(zhí)行后，會(huì)在當(dāng)前目錄下生成qc.csv的文件！

#coding:utf-8

ciku=open(r'all.csv','r') ? #打開(kāi)需要去重文件
xieci=open(r'qc.csv','w') ? #打開(kāi)處理后存放的文件
cikus=ciku.readlines()?
list2 = {}.fromkeys(cikus).keys() ? ? #列表去重方法，將列表數(shù)據(jù)當(dāng)作字典的鍵寫(xiě)入字典，依據(jù)字典鍵不可重復(fù)的特性去重
i=1
for line in list2:
?? ?if line[0]!=',':
?? ??? ?# print line[0:-1].decode('utf-8').encode('gbk')
?? ??? ?# print ?u"writing"+i
?? ??? ?i+=1
?? ??? ?xieci.writelines(line)
xieci.close()