python - 删除具有重复索引的 pandas 行

Question

如何删除具有重复索引值的行？

在下面的天气 DataFrame 中，有时科学家会返回并更正观察结果——不是通过编辑错误的行，而是通过在文件末尾附加重复的行。

我正在从网上读取一些自动天气数据（观测每 5 分钟发生一次，并为每个气象站编译成每月文件。）解析文件后，DataFrame 如下所示：

                      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

所以我df3最终需要成为：

                       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

df3['rownum'] = range(df3.shape[0])我认为添加一列行DatetimeIndex号group_by（pivot

score 686 · Accepted Answer

我建议在 Pandas 索引本身上使用重复的方法：

df3 = df3[~df3.index.duplicated(keep='first')]

虽然所有其他方法都有效，.drop_duplicates但对于所提供的示例来说，这是迄今为止性能最低的。此外，虽然groupby 方法的性能稍差一些，但我发现重复的方法更具可读性。

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 参数更改为来保留最后一个元素'last'。

还应注意，此方法也适用（使用Paul 示例MultiIndex中指定的 df1 ）：

>>> %timeit df1.groupby(level=df1.index.names).last()
1000 loops, best of 3: 771 µs per loop

>>> %timeit df1[~df1.index.duplicated(keep='last')]
1000 loops, best of 3: 365 µs per loop

score 133 · Accepted Answer

这会将索引添加为 DataFrame 列，删除重复项，然后删除新列：

df = (df.reset_index()
        .drop_duplicates(subset='index', keep='last')
        .set_index('index').sort_index())

请注意，最后使用.sort_index()above 是根据需要并且是可选的。

score 80 · Accepted Answer

天啊。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

跟进编辑 2013-10-29 在我有一个相当复杂的情况下MultiIndex，我想我更喜欢这种groupby方法。这是后代的简单示例：

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

这是重要的部分

# group the data, using df1.index.names tells pandas to look at the entire index
groups = df1.groupby(level=df1.index.names)  
groups.last() # or .first()
#           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

score 5 · Accepted Answer

删除重复项（保持第一）

idx = np.unique( df.index.values, return_index = True )[1]
df = df.iloc[idx]

删除重复项（保持最后）

df = df[::-1]
df = df.iloc[ np.unique( df.index.values, return_index = True )[1] ]

测试：使用 OP 数据的 10k 循环

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

score 4 · Accepted Answer

不幸的是，我认为 Pandas 不允许人们从索引中删除重复数据。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!

score 2 · Accepted Answer

如果像我这样的人喜欢使用 pandas 点表示法（如管道）的可链接数据操作，那么以下内容可能有用：

df3 = df3.query('~index.duplicated()')

这启用了这样的链接语句：

df3.assign(C=2).query('~index.duplicated()').mean()

score 0 · Accepted Answer

我遇到过同样的错误，在深入研究每个 df 之后，结果发现其中有 2 个具有相同名称的列，你提到你删除了一些列，这可能是一个原因。

python - 删除具有重复索引的 pandas 行

7 回答 7

Related

Reference