模块三-数据清洗与预处理——14. 重复值处理

14. 重复值处理1. 概述重复值是数据中的常见问题可能来自数据录入错误、系统重复导出、数据合并等原因。重复数据会导致统计偏差、模型过拟合需要在数据预处理阶段处理。importpandasaspdimportnumpyasnp# 创建包含重复值的示例数据dfpd.DataFrame({ID:[1,2,3,4,5,6,7,8,9,10],姓名:[张三,李四,王五,张三,赵六,李四,钱七,张三,孙八,李四],年龄:[25,30,28,25,32,30,35,25,27,30],城市:[北京,上海,广州,北京,深圳,上海,杭州,北京,成都,上海],工资:[8000,12000,10000,8000,15000,12000,11000,8000,9500,12000]})print(原始数据:)print(df)2. 检测重复值2.1 duplicated() 方法duplicated()返回布尔 SeriesTrue 表示重复除第一次出现外。# 检测完全重复的行print(完全重复检测:)print(df.duplicated())# 查看重复行print(\n重复的行:)print(df[df.duplicated()])# 保留最后一次出现print(\n保留最后一次出现标记第一次为重复:)print(df[df.duplicated(keeplast)])# 标记所有重复包括第一次print(\n标记所有重复:)print(df[df.duplicated(keepFalse)])2.2 指定列检测# 基于指定列检测重复print(基于姓名列检测重复:)print(df.duplicated(subset[姓名]))# 查看姓名重复的行print(\n姓名重复的行:)print(df[df.duplicated(subset[姓名])])# 基于多列检测print(\n基于姓名和年龄检测重复:)print(df.duplicated(subset[姓名,年龄]))3. 删除重复值3.1 drop_duplicates() 基础# 删除完全重复的行保留第一次出现print(删除完全重复:)df_dedupedf.drop_duplicates()print(df_dedupe)print(f删除前:{len(df)}行, 删除后:{len(df_dedupe)}行)# 保留最后一次出现print(\n保留最后一次出现:)print(df.drop_duplicates(keeplast))# 删除所有重复包括第一次print(\n删除所有重复只保留唯一值:)print(df.drop_duplicates(keepFalse))3.2 指定列删除# 基于姓名列去重print(基于姓名去重:)print(df.drop_duplicates(subset[姓名]))# 基于多列去重print(\n基于姓名和年龄去重:)print(df.drop_duplicates(subset[姓名,年龄]))# 原地修改df_copydf.copy()df_copy.drop_duplicates(inplaceTrue)print(\n原地修改后:)print(df_copy)4. 重复值处理策略4.1 聚合重复值# 对重复值进行聚合求和、均值等print(按姓名聚合工资:)df_aggdf.groupby(姓名).agg({年龄:first,城市:first,工资:sum}).reset_index()print(df_agg)# 保留最大值print(\n保留每个姓名的最大工资:)df_maxdf.sort_values(工资,ascendingFalse).drop_duplicates(subset[姓名])print(df_max)# 保留最新记录假设有日期列# df_sorted df.sort_values(日期, ascendingFalse).drop_duplicates(subset[姓名])4.2 标记重复值# 添加重复标记列df[是否重复]df.duplicated(keepFalse)print(添加重复标记:)print(df)# 添加重复次数print(\n添加重复次数:)df[重复次数]df.groupby(姓名)[姓名].transform(size)print(df)5. 重复值统计# 统计完全重复行数print(f完全重复行数:{df.duplicated().sum()})# 统计各列的重复情况forcolindf.columns:dup_countdf.duplicated(subset[col]).sum()print(f{col}列重复行数:{dup_count})# 查看重复值的分布print(\n姓名重复次数:)print(df[姓名].value_counts())# 查看重复行详细信息print(\n重复行详情:)dup_rowsdf[df.duplicated(keepFalse)].sort_values(姓名)print(dup_rows)6. 完整示例用户数据去重# 创建用户数据np.random.seed(42)userspd.DataFrame({user_id:[1001,1002,1003,1001,1004,1002,1005,1001,1006,1002],姓名:[张三,李四,王五,张三,赵六,李四,钱七,张三,孙八,李四],年龄:[25,30,28,25,32,30,35,25,27,30],城市:[北京,上海,广州,北京,深圳,上海,杭州,北京,成都,上海],注册时间:pd.date_range(2024-01-01,periods10,freqD),消费金额:np.random.randint(100,1000,10)})print(*60)print(用户数据去重处理)print(*60)print(\n原始数据:)print(users)print(\n1. 重复检测:)print(f完全重复行数:{users.duplicated().sum()})print(fuser_id 重复行数:{users.duplicated(subset[user_id]).sum()})print(f姓名重复行数:{users.duplicated(subset[姓名]).sum()})# 2. 查看重复用户print(\n2. 重复的用户:)dup_usersusers[users.duplicated(subset[user_id],keepFalse)].sort_values(user_id)print(dup_users)# 3. 按 user_id 去重保留最新注册的print(\n3. 按 user_id 去重保留最新注册:)users_uniqueusers.sort_values(注册时间,ascendingFalse).drop_duplicates(subset[user_id])print(users_unique)# 4. 聚合重复用户数据print(\n4. 聚合重复用户:)users_aggusers.groupby(user_id).agg({姓名:first,年龄:first,城市:first,注册时间:max,消费金额:sum}).reset_index()print(users_agg)# 5. 最终数据print(\n5. 最终去重后数据:)print(f去重前:{len(users)}行)print(f去重后:{len(users_unique)}行)7. 重复值处理决策流程发现重复值 │ ├─ 完全重复所有列相同 │ │ │ └─ 直接删除保留一条 │ ├─ 部分列重复如 ID 相同但其他列不同 │ │ │ ├─ 需要合并信息 → 聚合求和、均值、拼接 │ ├─ 需要保留最新 → 按时间排序后去重 │ ├─ 需要保留最完整 → 按完整度排序后去重 │ └─ 无法确定 → 标记后人工处理 │ └─ 业务逻辑决定 │ ├─ 用户 ID 必须唯一 → 基于 ID 去重 ├─ 订单号必须唯一 → 基于订单号去重 └─ 允许重复 → 保留8. 常见陷阱陷阱说明解决方案大小写敏感‘张三’ 和 张三 ’ 被视为不同先用str.strip()和str.lower()标准化浮点数精度1.0 和 1.0000001 被视为不同使用round()或np.isclose()缺失值NaN 与 NaN 不被视为重复先处理缺失值再去重索引影响索引不同但数据相同也会去重使用ignore_indexTrue# 处理大小写和空格print(\n处理大小写和空格:)df_namepd.DataFrame({姓名:[张三,张三 , 张三,李四,李四]})df_name[姓名_clean]df_name[姓名].str.strip().str.lower()print(df_name)print(f清洗后重复:{df_name[姓名_clean].duplicated().sum()})9. 总结方法用途示例duplicated()检测重复df.duplicated()duplicated(keeplast)标记最后出现为重复df.duplicated(keeplast)duplicated(keepFalse)标记所有重复df.duplicated(keepFalse)duplicated(subset[...])基于指定列检测df.duplicated(subset[col1,col2])drop_duplicates()删除重复df.drop_duplicates()drop_duplicates(keeplast)保留最后出现df.drop_duplicates(keeplast)drop_duplicates(keepFalse)删除所有重复df.drop_duplicates(keepFalse)drop_duplicates(subset[...])基于指定列删除df.drop_duplicates(subset[col1])groupby().agg()聚合重复值df.groupby(key).agg({value:sum})