python爬取的数据如何去重？说一下具体的算法依据

发布网友发布时间：2022-04-21 23:19

共1个回答

热心网友时间：2023-10-23 15:51

前两天处理数据的时候，需要得到两个数据的交集数据，所以要去除数据中非重复部分，只保留数据中的重复部分。

网上看了一下大家的教程，大部分都是教去除重复行，很少有说到仅保留重复行的。所以在这里用drop_plicates这个去重函数来实现这个功能。

drop_plicates函数介绍：

data.drop_plicates(subset=[‘A’,‘B’],keep=‘first’,inplace=True)

#subset对应的值是列名，表示只考虑这两列，将这两列对应值相同的行进行去重。

默认值为subset=None表示考虑所有列。

keep='first’表示保留第一次出现的重复行，是默认值。

keep另外两个取值为"last"和False，分别表示保留最后一次出现的重复行和去除所有重复行。

inplace=True表示直接在原来的DataFrame上删除重复项，而默认值False表示生成一个副本。

要用函数取得数据集data中的重复列，分三个步骤：

（提前导入pandas模块）

data0_1 = data.drop_plicates() #保留第一个重复行

data0_2 = data.drop_plicates(keep=False) #去除所有重复行

data0_3=pd.concat([data0_1,data0_2]).drop_plicates(keep=False)

#合并起来再去重，只剩下真的重复行。

举例：data中wangwu行和tony行重复，需要把它们两行取出。

第一步：#保留第一个重复行

第二步：#去除所有重复行

第三步：#合并起来再去重

通过以上步骤实现取出数据中的重复行。