Question

目标

我已经从hotmail下载了一个CSV文件，但它有很多重复项。这些副本是完整的副本，我不知道为什么我的手机创建它们。

我想摆脱重复。

方法

编写一个python脚本来删除重复项。

技术规范


Windows XP SP 3
Python 2.7
CSV file with 400 contacts

Answer 1

更新：2016

如果您愿意使用有用的more_itertools外部库：

from more_itertools import unique_everseen
with open('1.csv','r') as f, open('2.csv','w') as out_file:
    out_file.writelines(unique_everseen(f))

@ IcyFlame解决方案的更有效版本

with open('1.csv','r') as in_file, open('2.csv','w') as out_file:
    seen = set() # set for fast O(1) amortized lookup
    for line in in_file:
        if line in seen: continue # skip duplicate

        seen.add(line)
        out_file.write(line)

要就地编辑同一个文件，您可以使用此

import fileinput
seen = set() # set for fast O(1) amortized lookup
for line in fileinput.FileInput('1.csv', inplace=1):
    if line in seen: continue # skip duplicate

    seen.add(line)
    print line, # standard output is now redirected to the file

Answer 2

你可以使用Pandas有效地实现重复数据删除：

import pandas as pd
file_name = "my_file_with_dupes.csv"
file_name_output = "my_file_without_dupes.csv"

df = pd.read_csv(file_name, sep="\t or ,")

# Notes:
# - the `subset=None` means that every column is used 
#    to determine if two rows are different; to change that specify
#    the columns as an array
# - the `inplace=True` means that the data structure is changed and
#   the duplicate rows are gone  
df.drop_duplicates(subset=None, inplace=True)

# Write the results to a different file
df.to_csv(file_name_output)

Answer 3

您可以使用以下脚本：

<强>先决条件：

1.csv是包含重复项的文件
2.csv是执行此脚本后将缺少重复项的输出文件。

<强>码



inFile = open('1.csv','r')

outFile = open('2.csv','w')

listLines = []

for line in inFile:

    if line in listLines:
        continue

    else:
        outFile.write(line)
        listLines.append(line)

outFile.close()

inFile.close()

算法说明

在这里，我正在做的是：

以读取模式打开文件。这是具有重复项的文件。
然后在一个循环中运行直到文件结束，我们检查是否该行已经遇到过。
如果遇到过，我们不会将其写入输出文件。
如果不是，我们会将其写入输出文件并将其添加到已经遇到的记录列表中

Answer 4

我知道这已经解决了很久，但是我遇到了一个密切相关的问题，即我要根据一个列删除重复项。输入的csv文件很大，可以通过MS Excel / Libre Office Calc / Google Sheets在我的电脑上打开； 147MB，大约有250万条记录。由于我不想为这样一个简单的事情安装整个外部库，因此我在下面编写了python脚本以在不到5分钟的时间内完成该工作。我没有专注于优化，但我相信可以对其进行优化以针对更大的文件更快，更高效地运行。该算法与上面的@IcyFlame相似，不同之处在于，我基于列（CCC）而不是整个行/行删除重复项。

import csv

with open('results.csv', 'r') as infile, open('unique_ccc.csv', 'a') as outfile:
    # this list will hold unique ccc numbers,
    ccc_numbers = []
    # read input file into a dictionary, there were some null bytes in the infile
    results = csv.DictReader(infile)
    writer = csv.writer(outfile)

    # write column headers to output file
    writer.writerow(
        ['ID', 'CCC', 'MFLCode', 'DateCollected', 'DateTested', 'Result', 'Justification']
    )
    for result in results:
        ccc_number = result.get('CCC')
        # if value already exists in the list, skip writing it whole row to output file
        if ccc_number in ccc_numbers:
            continue
        writer.writerow([
            result.get('ID'),
            ccc_number,
            result.get('MFLCode'),
            result.get('datecollected'),
            result.get('DateTested'),
            result.get('Result'),
            result.get('Justification')
        ])

        # add the value to the list to so as to be skipped subsequently
        ccc_numbers.append(ccc_number)

Answer 5

@ jamylak解决方案的更高效版本:(少一条指令）

with open('1.csv','r') as in_file, open('2.csv','w') as out_file:
    seen = set() # set for fast O(1) amortized lookup
    for line in in_file:
        if line not in seen: 
            seen.add(line)
            out_file.write(line)

要就地编辑同一个文件，您可以使用此

import fileinput
seen = set() # set for fast O(1) amortized lookup
for line in fileinput.FileInput('1.csv', inplace=1):
    if line not in seen:
        seen.add(line)
        print line, # standard output is now redirected to the file

Answer 6

您可以在jupyter笔记本或相关的IDE中使用熊猫库，将熊猫导入jupyter笔记本并读取csv文件

然后对这些值进行排序（根据存在重复参数的情况），因为我定义了两个属性，所以它将首先按时间排序，然后按纬度排序

然后删除与您相关的时间列或相关列中的重复项

然后，我将删除并排序的重复文件存储为gps_sorted

import pandas as pd
stock=pd.read_csv("C:/Users/Donuts/GPS Trajectory/go_track_trackspoints.csv")
stock2=stock.sort_values(["time","latitude"],ascending=True)
stock2.drop_duplicates(subset=['time'])
stock2.to_csv("C:/Users/Donuts/gps_sorted.csv",)

希望这会有所帮助

使用python脚本从csv文件中删除重复的行

6 个答案: