Python Pandas如何高效去除完全相同的重复行？

在Python的Pandas库中，可以使用drop_duplicates()方法来高效地去除DataFrame中完全相同的重复行。这个方法会返回一个新的DataFrame，其中删除了所有重复的行。

基本用法

import pandas as pd

# 创建一个示例DataFrame
data = {
    'A': [1, 2, 2, 3],
    'B': [4, 5, 5, 6],
    'C': [7, 8, 8, 9]
}
df = pd.DataFrame(data)

# 去除完全相同的重复行
df_unique = df.drop_duplicates()

print(df_unique)

参数说明

• keep: 决定保留哪个重复行。默认是'first'，表示保留第一次出现的重复行；'last'表示保留最后一次出现的重复行；False表示删除所有重复行。
• subset: 可以指定某些列来判断重复行。默认是None，表示使用所有列。
• inplace: 如果为True，则直接在原DataFrame上进行修改，不返回新的DataFrame。默认是False。

示例代码

# 保留最后一次出现的重复行
df_unique_last = df.drop_duplicates(keep='last')

# 只根据列'A'和'B'来判断重复行
df_unique_subset = df.drop_duplicates(subset=['A', 'B'])

# 直接在原DataFrame上修改
df.drop_duplicates(inplace=True)

性能优化

• 如果DataFrame非常大，可以考虑使用subset参数来减少需要比较的列数，从而提高性能。
• 如果内存允许，可以使用inplace=True来避免创建新的DataFrame，从而节省内存。

总结

drop_duplicates()是一个非常方便且高效的方法，可以帮助你快速去除DataFrame中的重复行。根据具体需求，你可以通过调整参数来灵活控制去重的行为。