“去重”通过字面意思不难理解，就是删除重复的数据。在一个数据集中，找出重复的数据删并将其删除，最终只保存一个唯一存在的数据项，这就是数据去重的整个过程。删除重复数据是数据分析中经常会遇到的一个问题。通过数据去重，不仅可以节省内存空间，提高写入性能，还可以提升数据集的精确度，使得数据集不受重复数据的影响。
Panda DataFrame 对象提供了一个数据去重的函数 drop_duplicates()，本节对该函数的用法做详细介绍。  drop_duplicates()函数的语法格式如下：
df.drop_duplicates(subset=['A','B','C'],keep='first',inplace=True) 参数说明如下： subset：表示要进去重的列名，默认为 None。 keep：有三个可选参数，分别是 first、last、False，默认为 first，表示只保留第一次出现的重复项，删除其余重复项，last 表示只保留最后一次出现的重复项，False 则表示删除所有重复项。 inplace：布尔值参数，默认为 False 表示删除重复项后返回一个副本，若为 Ture 则表示直接在原数据上删除重复项。 首先创建一个包含有重复值的 DataFrame 对象，如下所示： import pandas as pd data={ 'A':[1,0,1,1], 'B':[0,2,5,0], 'C':[4,0,4,4], 'D':[1,0,1,1] df=pd.DataFrame(data=data) print(df) 输出结果： A B C D 0 1 0 4 1 1 0 2 0 0 2 1 5 4 1 3 1 0 4 1 1) 默认保留第一次出现的重复项 import pandas as pd data={ 'A':[1,0,1,1], 'B':[0,2,5,0], 'C':[4,0,4,4], 'D':[1,0,1,1] df=pd.DataFrame(data=data) #默认保留第一次出现的重复项 df.drop_duplicates() 输出结果：
A B C D 0 1 0 4 1 1 0 2 0 0 2 1 5 4 1 2) keep=False删除所有重复项 import pandas as pd data={ 'A':[1,0,1,1], 'B':[0,2,5,0], 'C':[4,0,4,4], 'D':[1,0,1,1] df=pd.DataFrame(data=data) #默认保留第一次出现的重复项 df.drop_duplicates(keep=False) 输出结果： A B C D 1 0 2 0 0 2 1 5 4 1 3) 根据指定列标签去重 import pandas as pd data={ 'A':[1,3,3,3], 'B':[0,1,2,0], 'C':[4,5,4,4], 'D':[3,3,3,3] df=pd.DataFrame(data=data) #去除所有重复项，对于B列来说两个0是重复项 df.drop_duplicates(subset=['B'],keep=False) #简写，省去subset参数 #df.drop_duplicates(['B'],keep=False) print(df) 输出结果： A B C D 1 3 1 5 3 2 3 2 4 3 从上述示例可以看出，删除重复项后，行标签使用的数字是原来的，并没有从 0 重新开始，那么我们应该怎么从 0 重置索引呢？Pandas 提供的 reset_index() 函数会直接使用重置后的索引。如下所示： import pandas as pd data={ 'A':[1,3,3,3], 'B':[0,1,2,0], 'C':[4,5,4,4], 'D':[3,3,3,3] df=pd.DataFrame(data=data) #去除所有重复项，对于B来说两个0是重复项 df=df.drop_duplicates(subset=['B'],keep=False) #重置索引，从0重新开始 df.reset_index(drop=True) 输出结果： A B C D 0 3 1 5 3 1 3 2 4 3 4) 指定多列同时去重 创建一个 DataFrame 对象，如下所示： import numpy as np import pandas as pd df = pd.DataFrame({'Country ID':[1,1,2,12,34,23,45,34,23,12,2,3,4,1], 'Age':[12,12,15,18, 19, 25, 21, 25, 25, 18, 25,12,32,18], 'Group ID':['a','z','c','a','b','s','d','a','b','s','a','d','a','f']}) #last只保留最后一个重复项 df.drop_duplicates(['Age','Group ID'],keep='last') 输出结果： Country ID Age Group ID 0 1 12 a 1 1 12 z 2 2 15 c 3 3 18 a 4 4 19 b 5 3 25 s 6 4 21 d 8 2 25 b 9 1 18 s 10 2 25 a 11 3 12 d 12 4 32 a 13 1 18 f 上述数据集中，第 7 行、第 10 行对应的列标签数据相同，我们使用参数值“last”保留最后一个重复项，也就是第 10 行数据。