使用python脚本从csv文件中删除重复行

目标

我从hotmail下载了一个CSV文件，但其中有很多重复项。这些副本是完整的副本，我不知道为什么我的手机会创建它们

我想把复制品处理掉

方法

编写python脚本以删除重复项

技术规范

Windows XP SP 3 Python 2.7 CSV file with 400 contacts Windows XP SP 3 Python 2.7 包含400个联系人的CSV文件

---

您可以使用以下脚本：

先决条件：

1.csv

是包含重复项的文件

2.csv

是执行此脚本后将没有重复项的输出文件

代码

inFile = open('1.csv','r')

outFile = open('2.csv','w')

listLines = []

for line in inFile:

    if line in listLines:
        continue

    else:
        outFile.write(line)
        listLines.append(line)

outFile.close()

inFile.close()

infle=open（'1.csv'，'r'）
outFile=open（'2.csv'，'w'）
列表行=[]
对于填充中的线：
如果列表行中有行：
持续
其他：
输出文件。写入（行）
追加（行）
outFile.close（）
infle.close（）

算法说明

Windows XP SP 3
Python 2.7
CSV file with 400 contacts
在这里，我正在做的是：

以读取模式打开文件。这是包含重复项的文件
然后在一个循环中运行，直到文件结束，我们检查行
已经遇到了
如果遇到它，我们不会将其写入输出文件
如果没有，我们将把它写入输出文件，并将其添加到已经遇到的记录列表中
更新：2016

如果您愿意使用有用的外部库：

from more_itertools import unique_everseen
with open('1.csv','r') as f, open('2.csv','w') as out_file:
    out_file.writelines(unique_everseen(f))


@IcyFlame解决方案的更高效版本

with open('1.csv','r') as in_file, open('2.csv','w') as out_file:
    seen = set() # set for fast O(1) amortized lookup
    for line in in_file:
        if line in seen: continue # skip duplicate

        seen.add(line)
        out_file.write(line)

要在位编辑同一文件，可以使用以下命令

import fileinput
seen = set() # set for fast O(1) amortized lookup
for line in fileinput.FileInput('1.csv', inplace=1):
    if line in seen: continue # skip duplicate

    seen.add(line)
    print line, # standard output is now redirected to the file

import fileinput
seen = set() # set for fast O(1) amortized lookup
for line in fileinput.FileInput('1.csv', inplace=1):
    if line not in seen:
        seen.add(line)
        print line, # standard output is now redirected to the file   

@jamylak解决方案的更有效版本：（只需一条指令）

要在位编辑同一文件，可以使用以下命令

import fileinput
seen = set() # set for fast O(1) amortized lookup
for line in fileinput.FileInput('1.csv', inplace=1):
    if line in seen: continue # skip duplicate

    seen.add(line)
    print line, # standard output is now redirected to the file

import fileinput
seen = set() # set for fast O(1) amortized lookup
for line in fileinput.FileInput('1.csv', inplace=1):
    if line not in seen:
        seen.add(line)
        print line, # standard output is now redirected to the file   

您可以使用Pandas高效地实现重复数据传输，
安装熊猫使用

pip install pandas

代码

import pandas as pd
file_name = "my_file_with_dupes.csv"
file_name_output = "my_file_without_dupes.csv"

df = pd.read_csv(file_name, sep="\t or ,")

# Notes:
# - the `subset=None` means that every column is used 
#    to determine if two rows are different; to change that specify
#    the columns as an array
# - the `inplace=True` means that the data structure is changed and
#   the duplicate rows are gone  
df.drop_duplicates(subset=None, inplace=True)

# Write the results to a different file
df.to_csv(file_name_output, index=False)

您可以在jupyter笔记本或相关IDE中使用熊猫库，我正在将熊猫导入jupyter笔记本并读取csv文件

然后对这些值进行排序，根据这些值重复出现的参数，因为我已经定义了两个属性，它将首先按时间排序，然后按纬度排序

然后根据需要删除时间列或相关列中的重复项

然后，我将删除并排序的重复文件存储为gps_排序

import pandas as pd
stock=pd.read_csv("C:/Users/Donuts/GPS Trajectory/go_track_trackspoints.csv")
stock2=stock.sort_values(["time","latitude"],ascending=True)
stock2.drop_duplicates(subset=['time'])
stock2.to_csv("C:/Users/Donuts/gps_sorted.csv",)

希望这能有所帮助
我知道这个问题早已解决，但我遇到了一个密切相关的问题，即我要基于一列删除重复项。输入的csv文件相当大，可以通过MS Excel/Libre Office Calc/Google Sheets在我的电脑上打开147MB，约有250万条记录。因为我不想为这么简单的事情安装整个外部库，所以我编写了下面的python脚本，以便在不到5分钟的时间内完成这项工作。我没有把重点放在优化上，但我相信它可以被优化，以便在更大的文件中运行得更快、更高效。该算法类似于上面的@IcyFlame，只是我基于一列（“CCC”）而不是整行/行删除重复项

import csv

with open('results.csv', 'r') as infile, open('unique_ccc.csv', 'a') as outfile:
    # this list will hold unique ccc numbers,
    ccc_numbers = []
    # read input file into a dictionary, there were some null bytes in the infile
    results = csv.DictReader(infile)
    writer = csv.writer(outfile)

    # write column headers to output file
    writer.writerow(
        ['ID', 'CCC', 'MFLCode', 'DateCollected', 'DateTested', 'Result', 'Justification']
    )
    for result in results:
        ccc_number = result.get('CCC')
        # if value already exists in the list, skip writing it whole row to output file
        if ccc_number in ccc_numbers:
            continue
        writer.writerow([
            result.get('ID'),
            ccc_number,
            result.get('MFLCode'),
            result.get('datecollected'),
            result.get('DateTested'),
            result.get('Result'),
            result.get('Justification')
        ])

        # add the value to the list to so as to be skipped subsequently
        ccc_numbers.append(ccc_number)

当试图打开我的文件时，我得到
UnicodeDecodeError:“utf-8”编解码器无法解码第28位的字节0x96：无效的开始字节file@ykombinator您可以将“encoding”参数传递给“read\u csv”函数——请参阅df.to\u csv（文件名\u输出，索引=False）坦率地说，我不知道为什么要用fileinput打开文件，将内容还原回一个冻结集。fileinput应该用于编辑您打开的文件，而您的示例中没有这样做。我不会使用Pandas进行此类操作，因为根据文件大小，I/O操作可能会产生性能问题。