如何有效地删除python中dataframe或csv文件中的所有重复项？

Question

我的mytest.csv中包含下表，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

以上是使用以下代码获得的，在该代码中，我尝试删除所有重复项，但很遗憾，其中一些仍然存在（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），以及是否应该在将其读入数据帧之前执行此操作。例如，最后两行被视为重复行，只有最后一个不包含空val1（val1 = 3200）的行应保留在数据帧中。

在此先感谢您的帮助。

Answer 1

如果您要根据特定列砸重复，你可以使用subset参数（较老版本的熊猫：cols）在drop_duplicates：

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