我正在从网上阅读一些自动天气数据。观察每5分钟发生一次，并编译成每个气象站的月度文件。解析完文件后，DataFrame看起来像这样：
Sta Precip1hr Precip5min Temp DewPnt WindSpd WindDir AtmPress
Date
2001-01-01 00:00:00 KPDX 0 0 4 3 0 0 30.31
2001-01-01 00:05:00 KPDX 0 0 4 3 0 0 30.30
2001-01-01 00:10:00 KPDX 0 0 4 3 4 80 30.30
2001-01-01 00:15:00 KPDX 0 0 3 2 5 90 30.30
2001-01-01 00:20:00 KPDX 0 0 3 2 10 110 30.28
我遇到的问题是，有时科学家会回过头来纠正观察结果 - 不是通过编辑错误的行，而是通过在文件的末尾附加一个重复的行。这种情况的简单示例如下所示：
import pandas
import datetime
startdate = datetime.datetime(2001, 1, 1, 0, 0)
enddate = datetime.datetime(2001, 1, 1, 5, 0)
index = pandas.DatetimeIndex(start=startdate, end=enddate, freq='H')
data1 = {'A' : range(6), 'B' : range(6)}
data2 = {'A' : [20, -30, 40], 'B' : [-50, 60, -70]}
df1 = pandas.DataFrame(data=data1, index=index)
df2 = pandas.DataFrame(data=data2, index=index[:3])
df3 = df2.append(df1)
df3
A B
2001-01-01 00:00:00 20 -50
2001-01-01 01:00:00 -30 60
2001-01-01 02:00:00 40 -70
2001-01-01 03:00:00 3 3
2001-01-01 04:00:00 4 4
2001-01-01 05:00:00 5 5
2001-01-01 00:00:00 0 0
2001-01-01 01:00:00 1 1
2001-01-01 02:00:00 2 2
所以我需要df3才能成为：
A B
2001-01-01 00:00:00 0 0
2001-01-01 01:00:00 1 1
2001-01-01 02:00:00 2 2
2001-01-01 03:00:00 3 3
2001-01-01 04:00:00 4 4
2001-01-01 05:00:00 5 5
我认为添加一列行号（df3['rownum'] = range(df3.shape[0])）可以帮助我为DatetimeIndex的任何值选出最底行，但我仍然坚持找出{group_by 1}}或pivot（或???）语句使其成功。
答案 0 :(得分：335)
我建议在Pandas Index本身上使用duplicated方法：
df3 = df3.loc[~df3.index.duplicated(keep='first')]
虽然所有其他方法都有效，但currently accepted answer是迄今为止提供的示例中效率最低的方法。此外，虽然groupby method的性能稍差，但我发现重复的方法更具可读性。
使用提供的样本数据：
>>> %timeit df3.reset_index().drop_duplicates(subset='index', keep='first').set_index('index')
1000 loops, best of 3: 1.54 ms per loop
>>> %timeit df3.groupby(df3.index).first()
1000 loops, best of 3: 580 µs per loop
>>> %timeit df3[~df3.index.duplicated(keep='first')]
1000 loops, best of 3: 307 µs per loop
请注意，您可以通过更改keep参数来保留最后一个元素。
还应该注意，此方法也适用于MultiIndex（使用Paul's example中指定的df1）：
>>> %timeit df1.groupby(level=df1.index.names).last()
1000 loops, best of 3: 771 µs per loop
>>> %timeit df1[~df1.index.duplicated(keep='last')]
1000 loops, best of 3: 365 µs per loop
答案 1 :(得分：110)
我的原始答案现已过时，仅供参考。
一个简单的解决方案是使用drop_duplicates
df4 = df3.drop_duplicates(subset='rownum', keep='last')
对我来说，这在大型数据集上运行得很快。
这要求'rownum'是具有重复项的列。在修改过的例子中，'rownum'没有重复，因此没有任何东西被消除。我们真正想要的是将'cols'设置为索引。我没有找到告诉drop_duplicates只考虑索引的方法。
这是一个解决方案，它将索引添加为数据框列，删除重复项，然后删除新列：
df3 = df3.reset_index().drop_duplicates(subset='index', keep='last').set_index('index')
如果你想按照正确的顺序重新开始，只需在数据框上调用sort。
df3 = df3.sort()
答案 2 :(得分：60)
哦，我的。这其实很简单！
grouped = df3.groupby(level=0)
df4 = grouped.last()
df4
A B rownum
2001-01-01 00:00:00 0 0 6
2001-01-01 01:00:00 1 1 7
2001-01-01 02:00:00 2 2 8
2001-01-01 03:00:00 3 3 3
2001-01-01 04:00:00 4 4 4
2001-01-01 05:00:00 5 5 5
跟进编辑2013-10-29
如果我有一个相当复杂的MultiIndex，我想我更喜欢groupby方法。这是后人的简单例子：
import numpy as np
import pandas
# fake index
idx = pandas.MultiIndex.from_tuples([('a', letter) for letter in list('abcde')])
# random data + naming the index levels
df1 = pandas.DataFrame(np.random.normal(size=(5,2)), index=idx, columns=['colA', 'colB'])
df1.index.names = ['iA', 'iB']
# artificially append some duplicate data
df1 = df1.append(df1.select(lambda idx: idx[1] in ['c', 'e']))
df1
# colA colB
#iA iB
#a a -1.297535 0.691787
# b -1.688411 0.404430
# c 0.275806 -0.078871
# d -0.509815 -0.220326
# e -0.066680 0.607233
# c 0.275806 -0.078871 # <--- dup 1
# e -0.066680 0.607233 # <--- dup 2
，这是重要的部分
# group the data, using df1.index.names tells pandas to look at the entire index
groups = df1.groupby(level=df1.index.names)
groups.last() # or .first()
# colA colB
#iA iB
#a a -1.297535 0.691787
# b -1.688411 0.404430
# c 0.275806 -0.078871
# d -0.509815 -0.220326
# e -0.066680 0.607233
答案 3 :(得分：4)
不幸的是，我不认为Pandas允许人们从指数中删除重复数据。我建议如下：
df3 = df3.reset_index() # makes date column part of your data
df3.columns = ['timestamp','A','B','rownum'] # set names
df3 = df3.drop_duplicates('timestamp',take_last=True).set_index('timestamp') #done!
答案 4 :(得分：1)
如果像我这样的人喜欢使用熊猫点符号（例如管道）来进行可链接的数据操作，那么以下内容可能会有用：
df3 = df3.query('~index.duplicated()')
这将启用链接语句，如下所示：
df3.assign(C=2).query('~index.duplicated()').mean()
答案 5 :(得分：1)
删除重复项（保留第一位）
idx = np.unique( df.index.values, return_index = True )[1]
df = df.iloc[idx]
删除重复项（保留最后一个）
df = df[::-1]
df = df.iloc[ np.unique( df.index.values, return_index = True )[1] ]
测试：使用OP的数据进行1万次循环
numpy method - 3.03 seconds
df.loc[~df.index.duplicated(keep='first')] - 4.43 seconds
df.groupby(df.index).first() - 21 seconds
reset_index() method - 29 seconds
答案 6 :(得分：0)
我遇到过同样的错误，在深入研究每个 df 之后，结果发现其中一个具有 2 个同名列，您提到您删除了一些列，这可能是一个原因。