如何在python中高效地删除dataframe或csv文件中的所有重复项？

Question

我在mytest.csv中有下表，如下所示：

timestamp   val1    val2    user_id  val3  val4    val5    val6
01/01/2011  1   100 3    5     100     3       5
01/02/2013  20  8        6     12      15      3
01/07/2012      19  57   10    9       6       6        
01/11/2014  3100    49  6        12    15      3
21/12/2012          240  30    240     30       
01/12/2013          63                  
01/12/2013  3200    51  63       50

上面的代码是使用以下代码获得的，在这些代码中，我试图删除所有重复项，但不幸的是，仍有一些重复项（基于“timestamp”和“user_id”）：

import pandas as pd

newnames = ['timestamp', 'val1', 'val2','val3', 'val4','val5', 'val6','user_id']
df = pd.read_csv('mytest.csv', names = newnames, header = False, parse_dates=True, dayfirst=True)
df['timestamp'] = pd.to_datetime(df['timestamp'], dayfirst=True) 
df = df.loc[:,['timestamp', 'user_id', 'val1', 'val2','val3', 'val4','val5', 'val6']]
df_clean = df.drop_duplicates().fillna(0)

另外，我想知道如何有效地从数据中删除所有重复项（预处理），以及在将其读入数据帧之前是否应该这样做。例如，最后两行被认为是重复的，只有不包含空val1（val1=3200）的最后一行应保留在数据帧中。

提前谢谢你的帮助。

Answer 1

如果要基于特定列删除重复项，可以在drop_duplicates中使用subset参数（旧的pandas版本：cols）：

df_clean = df.drop_duplicates(subset=['timestamp', 'user_id'])