我有一个关于在 Python 中删除重复项的问题。我已经阅读了很多帖子,但还没有能够解决它。我有以下 csv 文件:
编辑
输入:
ID, Source, 1.A, 1.B, 1.C, 1.D
1, ESPN, 5,7,,,M
1, NY Times,,10,12,W
1, ESPN, 10,,Q,,M
输出应该是:
ID, Source, 1.A, 1.B, 1.C, 1.D, duplicate_flag
1, ESPN, 5,7,,,M, duplicate
1, NY Times,,10,12,W, duplicate
1, ESPN, 10,,Q,,M, duplicate
1, NY Times, 5 (or 10 doesn't matter which one),7, 10, 12, W, not_duplicate
换句话说,如果 ID 相同,则从源“NY Times”的行中获取值,如果“NY Times”的行具有空白值并且来自“ESPN”源的重复行具有该单元格的值,从具有“ESPN”源的行中获取值。对于输出,将原来的两行标记为重复并创建第三行。
为了进一步澄清,由于我需要在具有不同列标题的许多不同 csv 文件上运行此脚本,因此我不能执行以下操作:
def main():
with open(input_csv, "rb") as infile:
input_fields = ("ID", "Source", "1.A", "1.B", "1.C", "1.D")
reader = csv.DictReader(infile, fieldnames = input_fields)
with open(output_csv, "wb") as outfile:
output_fields = ("ID", "Source", "1.A", "1.B", "1.C", "1.D", "d_flag")
writer = csv.DictWriter(outfile, fieldnames = output_fields)
writer.writerow(dict((h,h) for h in output_fields))
next(reader)
first_row = next(reader)
for next_row in reader:
#stuff
因为我希望程序独立于表中的任何其他列在前两列上运行。换句话说,“ID”和“Source”将在每个输入文件中,但其余列将根据文件而变化。
非常感谢您提供的任何帮助!仅供参考,“来源”只能是:纽约时报、ESPN 或华尔街日报,重复的优先顺序是:如果有,请选择纽约时报,否则选择 ESPN,否则选择华尔街日报。这适用于每个输入文件。