Pandas DataFrame drop_duplicates() Metode

I denne artikel vil vi udforskedrop_duplicates()-metoden i Pandas DataFrame. Vi vil lære, hvordan vi kan fjerne dubletter og duplikerede rækker i en DataFrame. Hvis du arbejder med store datasæt, kan det være vigtigt at fjerne duplikater for at sikre nøjagtigheden og validiteten af dataene.

Introduktion til drop_duplicates() metoden

Pandas er et populært open source bibliotek i Python, der bruges til datavidenskab og dataanalyse. Det understøtter forskellige datastrukturer, herunder DataFrame, som er en todimensionel datastruktur, der organiserer data i kolonner og rækker.

En DataFrame kan indeholde dubletter og duplikerede rækker, hvilket kan føre til fejl i analyser og modellering. Ved hjælp afdrop_duplicates()-metoden kan vi effektivt fjerne disse dubletter og duplikerede rækker fra vores DataFrame.

Syntaks

Syntaksen fordrop_duplicates()-metoden er:

df.drop_duplicates(subset=None, keep=first, inplace=False)

subset:De kolonner, som metoden skal sammenligne for at finde duplikater. HvisNone, vil den sammenligne alle kolonner.
keep:Angiver, hvilken kopi af duplikaterne der skal beholdes. Mulige værdier er first, last ellerFalse. Hvisfirst(standard), beholder den den første forekomst af duplikatet, hvislast, den beholder den sidste forekomst, og hvisFalse, så fjerner den alle duplikater.
inplace:HvisTrue, vil metoden ændre den oprindelige DataFrame uden at skabe en kopi. HvisFalse(standard), returnerer den en ny DataFrame uden duplikater.

Eksempler

Eksempel 1: Fjerne alle duplikater fra hele DataFrame

Lad os starte med et eksempel, hvor vi vil fjerne alle duplikater fra vores DataFrame.

import pandas as pddata = {Name: [Alice, Bob, Alice, Charlie, Bob], Age: [25, 30, 25, 35, 30], City: [New York, London, New York, Paris, London]}df = pd.DataFrame(data)df_deduplicated = df.drop_duplicates()print(df_deduplicated)

I dette eksempel har vi en DataFrame med tre kolonner: Name, Age og City. Bemærk, at Alice og Bob forekommer mere end én gang i de første og anden række. Efter at have anvendtdrop_duplicates()-metoden, vil vores udskrevne DataFrame kun indeholde de unikke rækker.

Eksempel 2: Fjerne duplikater baseret på en bestemt kolonne

I nogle tilfælde vil du kun fjerne duplikater baseret på en specifik kolonne i din DataFrame. Dette kan opnås ved at angivesubset-parameteren.

import pandas as pddata = {Name: [Alice, Bob, Alice, Charlie, Bob], Age: [25, 30, 25, 35, 30], City: [New York, London, New York, Paris, London]}df = pd.DataFrame(data)df_deduplicated = df.drop_duplicates(subset=[Name])print(df_deduplicated)

I dette eksempel vil vi kun fjerne duplikater baseret på Name-kolonnen. Efter at have anvendtdrop_duplicates()-metoden medsubset=[Name], vil vores udskrevne DataFrame kun indeholde rækkerne, hvor navnet er unikt.

Eksempel 3: Beholde den sidste forekomst af duplikater

Sometimes its necessary to keep the last occurrence of duplicates instead of the first. We can achieve this by setting thekeepparameter tolast.

import pandas as pddata = {Name: [Alice, Bob, Alice, Charlie, Bob], Age: [25, 30, 25, 35, 30], City: [New York, London, New York, Paris, London]}df = pd.DataFrame(data)df_deduplicated = df.drop_duplicates(keep=last)print(df_deduplicated)

In this example, we will keep the last occurrence of duplicates. After applying thedrop_duplicates()method withkeep=last, our printed DataFrame will only contain the rows where the values are unique, but the last duplicate entry will be retained.

Konklusion

At fjerne duplikater fra en Pandas DataFrame er afgørende for at opnå nøjagtige og valide analyser. Ved hjælp afdrop_duplicates()-metoden kan vi nemt fjerne duplikater og duplikerede rækker fra vores DataFrame. Vi kan også specificere en bestemt kolonne, hvis vi kun ønsker at fjerne duplikater baseret på den kolonne. Hvis du arbejder med store datasæt, kan denne metode være meget nyttig for at sikre, at dine data er rene og klar til analyse.

Andre populære artikler: HTML DOM Input Date defaultValue Property • MySQL FIELD() Funktion • Pandas DataFrame skew() Metode • Colors – XKCD • Bootstrap Quiz – Test din viden om Bootstrap • Django Delete Record • PHP uniqid() Funktion • PHP Exception Handling • Reakt useRef Hook: En dybdegående guide • Python math.copysign() Metode • Pandas – Plotting • SQL ISNULL(), NVL(), IFNULL() and COALESCE() Functions • Bootstrap 5 Checkboxes og Radioknapper • Pandas DataFrame isna() Metoden • Introduktion • Node.js buffer toJSON() Metode • MySQL MONTH() Funktion • PHP SimpleXML Parser • Navigator language Property • Python String rsplit() Metode