Python Dataframe ——指定多列去重、求差集

1）去重

指定多列去重，这是在dataframe没有独一无二的字段作为PK（主键）时，需要指定多个字段一起作为该行的PK，在这种情况下对整体数据进行去重。

Attention：主要用到了drop_duplicates方法，并设置参数subset为多个字段名构成的数组。

具体代码如下：

>>>import pandas as pd >>>data={'state':[1,1,2,2,1,2,2],'pop':['a','b','c','d','b','c','d']}>>>frame=pd.DataFrame(data) >>>framepopstate0a11b12c23d24b15c26d2>>>frame.drop_duplicates(subset=['pop','state'])popstate0a11b12c23d2

2）求差集

假设有两个dataframe为a和b，a和b可以是相互包含的关系，现在想要将a中和b重复的内容去掉，也就是求差集，步骤如下：

（1）需要对两个dataframe进行去重。

（2）利用append方法，a=a.append(b)

（3）再次利用append方法，a=a.append(b)

（4）去重，利用drop_duplicates方法，a=a.drop_duplicates()，以及设置参数keep=False，意思就是只要有重复，重复的记录都去掉。（keep默认='first',也就是保留第一条记录）

具体代码如下： 

>>>data_a={'state':[1,1,2],'pop':['a','b','c']}>>>data_b={'state':[1,2,3],'pop':['b','c','d']}>>>a=pd.DataFrame(data_a)>>>a popstate0a11b12c2>>>b=pd.DataFrame(data_b) >>>bpopstate0b11c22d3>>>a = a.append(b)>>>a = a.append(b)>>>result = a.drop_duplicates(subset=['pop','state'],keep=False)>>>resultpopstate0a1