Python 删除具有重复索引的行
如何删除具有重复索引值的行 在下面的天气数据框中,有时科学家会返回并更正观测结果——不是通过编辑错误的行,而是通过在文件末尾添加重复的行 我正在从网络上读取一些自动气象数据(观测每5分钟进行一次,并为每个气象站编译成每月的文件)。解析一个文件后,数据框如下所示:Python 删除具有重复索引的行,python,pandas,dataframe,duplicates,Python,Pandas,Dataframe,Duplicates,如何删除具有重复索引值的行 在下面的天气数据框中,有时科学家会返回并更正观测结果——不是通过编辑错误的行,而是通过在文件末尾添加重复的行 我正在从网络上读取一些自动气象数据(观测每5分钟进行一次,并为每个气象站编译成每月的文件)。解析一个文件后,数据框如下所示: Sta Precip1hr Precip5min Temp DewPnt WindSpd WindDir AtmPress Date
Sta Precip1hr Precip5min Temp DewPnt WindSpd WindDir AtmPress
Date
2001-01-01 00:00:00 KPDX 0 0 4 3 0 0 30.31
2001-01-01 00:05:00 KPDX 0 0 4 3 0 0 30.30
2001-01-01 00:10:00 KPDX 0 0 4 3 4 80 30.30
2001-01-01 00:15:00 KPDX 0 0 3 2 5 90 30.30
2001-01-01 00:20:00 KPDX 0 0 3 2 10 110 30.28
重复案例示例:
import pandas
import datetime
startdate = datetime.datetime(2001, 1, 1, 0, 0)
enddate = datetime.datetime(2001, 1, 1, 5, 0)
index = pandas.DatetimeIndex(start=startdate, end=enddate, freq='H')
data1 = {'A' : range(6), 'B' : range(6)}
data2 = {'A' : [20, -30, 40], 'B' : [-50, 60, -70]}
df1 = pandas.DataFrame(data=data1, index=index)
df2 = pandas.DataFrame(data=data2, index=index[:3])
df3 = df2.append(df1)
df3
A B
2001-01-01 00:00:00 20 -50
2001-01-01 01:00:00 -30 60
2001-01-01 02:00:00 40 -70
2001-01-01 03:00:00 3 3
2001-01-01 04:00:00 4 4
2001-01-01 05:00:00 5 5
2001-01-01 00:00:00 0 0
2001-01-01 01:00:00 1 1
2001-01-01 02:00:00 2 2
因此,我需要df3
最终成为:
A B
2001-01-01 00:00:00 0 0
2001-01-01 01:00:00 1 1
2001-01-01 02:00:00 2 2
2001-01-01 03:00:00 3 3
2001-01-01 04:00:00 4 4
2001-01-01 05:00:00 5 5
我原以为添加一列行号(
df3['rownum']=range(df3.shape[0])
)可以帮助我为DatetimeIndex
的任何值选择最底层的行,但我一直在通过或pivot
(或???)语句来计算group\u。这其实很简单
grouped = df3.groupby(level=0)
df4 = grouped.last()
df4
A B rownum
2001-01-01 00:00:00 0 0 6
2001-01-01 01:00:00 1 1 7
2001-01-01 02:00:00 2 2 8
2001-01-01 03:00:00 3 3 3
2001-01-01 04:00:00 4 4 4
2001-01-01 05:00:00 5 5 5
后续编辑2013-10-29
如果我有一个相当复杂的multi-index
,我想我更喜欢groupby
方法。以下是留给后代的简单例子:
import numpy as np
import pandas
# fake index
idx = pandas.MultiIndex.from_tuples([('a', letter) for letter in list('abcde')])
# random data + naming the index levels
df1 = pandas.DataFrame(np.random.normal(size=(5,2)), index=idx, columns=['colA', 'colB'])
df1.index.names = ['iA', 'iB']
# artificially append some duplicate data
df1 = df1.append(df1.select(lambda idx: idx[1] in ['c', 'e']))
df1
# colA colB
#iA iB
#a a -1.297535 0.691787
# b -1.688411 0.404430
# c 0.275806 -0.078871
# d -0.509815 -0.220326
# e -0.066680 0.607233
# c 0.275806 -0.078871 # <--- dup 1
# e -0.066680 0.607233 # <--- dup 2
这会将索引添加为DataFrame列,删除该列上的重复项,然后删除新列:
df = (df.reset_index()
.drop_duplicates(subset='index', keep='last')
.set_index('index').sort_index())
请注意,在结尾使用上面的.sort_index()
是必要的,并且是可选的。不幸的是,我认为Pandas不允许从索引中删除DUP。我建议如下:
df3 = df3.reset_index() # makes date column part of your data
df3.columns = ['timestamp','A','B','rownum'] # set names
df3 = df3.drop_duplicates('timestamp',take_last=True).set_index('timestamp') #done!
我建议使用熊猫指数本身的方法:
df3 = df3[~df3.index.duplicated(keep='first')]
虽然所有其他方法都有效,.drop\u duplicates
是所提供示例中性能最差的方法。此外,虽然方法的性能稍差,但我发现复制的方法更具可读性
使用提供的样本数据:
>>> %timeit df3.reset_index().drop_duplicates(subset='index', keep='first').set_index('index')
1000 loops, best of 3: 1.54 ms per loop
>>> %timeit df3.groupby(df3.index).first()
1000 loops, best of 3: 580 µs per loop
>>> %timeit df3[~df3.index.duplicated(keep='first')]
1000 loops, best of 3: 307 µs per loop
请注意,您可以通过将keep参数更改为“last”
来保留最后一个元素
还应注意,此方法也适用于多索引
(使用中指定的df1):
如果像我这样的人喜欢使用熊猫点符号(如管道)进行可链接数据操作,那么以下内容可能会很有用:
df3 = df3.query('~index.duplicated()')
这将启用如下链接语句:
df3.assign(C=2).query('~index.duplicated()').mean()
删除重复项(先保留)
删除重复项(保留最后一个)
测试:使用OP数据的10k回路
numpy method - 3.03 seconds
df.loc[~df.index.duplicated(keep='first')] - 4.43 seconds
df.groupby(df.index).first() - 21 seconds
reset_index() method - 29 seconds
另一个变体是:df.reset_index().drop_duplicates(cols='index',take_last=True)。set_index('index'))
虽然此方法有效,但它也会创建数据帧的两个临时副本,并且性能明显低于使用重复索引或建议作为备选答案的groupby方法。如果您的索引是多索引,reset_index()
会添加列级别为0、级别为1,等等,若你们的索引有一个名字,那个么这个名字将被用来代替“索引”标签。这使得它比一行程序更适合任何数据帧index\u label=getattr(df.index,'names',getattr(df.index,'name,'index'))
thencols=index\u label
thenset\u index(index\u labels)
即使这样也不是万无一失的(对于未命名的多索引也不起作用)。将索引移动到一列,清除重复项,并重置索引非常棒,这正是我所需要的!给定idx=df.index.name或'index'
,也可以执行df2=df.reset_index();df2.删除重复项(idx,就地=真);df2.设置索引(idx,inplace=True)
以避免中间副本(由于inplace=True
)如果它们有名称,否则(如果一个名称没有)假设level=[0,1]
将在有两个级别df1.groupby(level=[0,1]).last()时起作用。这应该是熊猫的一部分,作为对drop\u duplicates
@dashesy-yeah的补充。使用df.index.names
是按索引的各个级别进行分组的简单方法。非常好的解决方案,谢谢!我还要补充一点,这在xarray
中适用,用于处理重复的日期时间索引,以及使ds.resample
和ds.groupby
操作失败的操作。对我前面的评论进行了修改:只要您更改grouped=df3.groupby(级别=0),它在xarray
中有效
togrouped=df3.groupby(dim='time')
或任何包含重复项的维度。获取重复项的另一种方法是夜间时钟设置为夏时制时的每小时数据:凌晨1点、下午2点、下午3点、下午2点、下午3点、下午4点……当您说“删除重复项”时,此处的上下文含蓄地是“保留第一项”。i、 e.删除重复项(保留class='first')
。(情况并非总是如此,有时很难从其他字段中找出应该保留哪一行,或者合并多个行,从不同的行填充NAs)。我尝试了这一方法,但无法使其工作。。我得到一个类似这样的错误:TypeError:“Series”对象是可变的,因此不能对它们进行哈希处理。。这真的对你有用吗?它对我有用,使用熊猫1.2.2。我不得不更改索引的结构,因为.DateTimeIndex
不再支持start
和end
参数,但我使用了.date\u range
。loc
可能不是必需的。只需执行df3=df3[~df3.index.duplicated(keep='first')]
,这将删除除第一次出现之外的所有具有重复索引的行。如果有人不介意回答,@jsl5703会反转掩码,~在df3=df3.loc[~df3.index.duplicated(keep='first')中做什么。因此,它将所有正确的东西都变成了错误,反之亦然。在这种情况下,这意味着我们将根据方法选择那些不重复的。这是什么巫术,在数据帧上使用按位(~)操作,它甚至可以工作。投赞成票并发表评论,因为投赞成票似乎不够。为%timeit.添加了奖金,用于那些喜欢“链接”的人:df3.query(~index.duplicated(keep='first'))”
df3.assign(C=2).query('~index.duplicated()').mean()
idx = np.unique( df.index.values, return_index = True )[1]
df = df.iloc[idx]
df = df[::-1]
df = df.iloc[ np.unique( df.index.values, return_index = True )[1] ]
numpy method - 3.03 seconds
df.loc[~df.index.duplicated(keep='first')] - 4.43 seconds
df.groupby(df.index).first() - 21 seconds
reset_index() method - 29 seconds