Pandas | 剔除csv重复数据

1、原来的文件读入代码

df = pd.read_csv('x.csv', index_col='DATE', parse_dates=True)

2、上面的代码其实是比较严谨的，只不过暂时跟直接读入文件相比在这件事上好像没有优势

df = pd.read_csv('x.csv')

3、在步骤②的基础上，直接就能把重复数据剔除掉

df = pd.read_csv('x.csv')

df = df.drop_duplicates(subset='DATE', keep='last')

4、而在步骤①代码基础上，则会报错（相信大家都碰到过索引列的特殊）

df = pd.read_csv('x.csv', index_col='DATE', parse_dates=True)

df = df.drop_duplicates(subset='DATE', keep='last')

5、我们来说一下步骤①和步骤②的区别。

首先，是否指定索引这个就不说了，太明显了。我们来看两个图。

6、上图看出，是否解析时间序列将导致DATE列数据类型的不同，而后续的处理是迫切需要datetime类型的。于是我们这样处理：

df = pd.read_csv('x.csv', parse_dates=['DATE']).dropna().drop_duplicates(subset='DATE', keep='last').set_index('DATE')

7、搞定。