Question

我正在收集来自各种文件的时间索引数据，但有时会有一些重叠：

df1 = pd.DataFrame([1, -1, -3], columns=['A'], index=pd.date_range('2000-01-01', periods=3))
df2 = pd.DataFrame([-3, 10, 1], columns=['A'], index=pd.date_range('2000-01-03', periods=3))
pd.concat([df1, df2])

            A
2000-01-01  1
2000-01-02 -1
2000-01-03 -3

             A
2000-01-03  -3
2000-01-04  10
2000-01-05   1

             A
2000-01-01   1
2000-01-02  -1
2000-01-03  -3
2000-01-03  -3
2000-01-04  10
2000-01-05   1

1）如何清理和删除重复的行？（此处为2000-01-03）

2）更一般地说，使用pandas读取和合并多个csv文件比使用手动更快/更聪明的方式：

L=[]
for f in glob.glob('*.csv'):
    L.append(pd.read_csv(f, ...))
fulldata = pd.concat(L)                   # this can be time consuming
fulldata.remove_duplicate_lines()         # this can be time consuming too

Answer 1

IIUC你可以做pd.concat然后做drop_duplicates：

In [104]: pd.concat([df1, df2]).drop_duplicates()
Out[104]: 
             A
2000-01-01   1
2000-01-02  -1
2000-01-03  -3
2000-01-04  10
2000-01-05   7

修改

你是对的，这种方法不能正常工作，因为它按值而不是按索引下降。对于索引，index可以duplicated：

df = pd.concat([df1, df2]) df[~df.index.duplicated()] In [107]: df[~df.index.duplicated()] Out[107]: A 2000-01-01 1 2000-01-02 -1 2000-01-03 -3 2000-01-04 10 2000-01-05 1

或者您可以使用第一种方法进行修改，首先需要执行reset_index，然后使用drop_duplicates，但使用subset键的索引值：

pd.concat([df1, df2]).reset_index().drop_duplicates(subset='index').set_index('index') In [118]: pd.concat([df1, df2]).reset_index().drop_duplicates(subset='index').set_index('index') Out[118]: A index 2000-01-01 1 2000-01-02 -1 2000-01-03 -3 2000-01-04 10 2000-01-05 1

Answer 2

如果你喜欢冒险并且决定使用除了Pandas以外的东西来组合CSV，和你在使用Awk的机器上，你可以组合各种文件并删除重复项用这个命令：

awk '!arr[$0]++' /path/to/your/files/* > combined_no_dups.csv

然后你可以加载到熊猫......

df = pd.read_csv("combined_no_dups.csv")

合并DataFrames并丢弃重复值

2 个答案: