删除具有重复索引的 pandas 行

如何删除具有重复索引值的行？

在下面的天气数据框中，有时科学家会返回并纠正观察结果 - 不是通过编辑错误的行，而是通过将重复的行附加到文件末尾。

我正在从网络上读取一些自动天气数据（每 5 分钟进行一次观测，并编译成每个气象站的每月文件。）解析文件后，DataFrame 如下所示：

                      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

重复案例示例：

import pandas as pd
import datetime

startdate = datetime.datetime(2001, 1, 1, 0, 0)
enddate = datetime.datetime(2001, 1, 1, 5, 0)
index = pd.date_range(start=startdate, end=enddate, freq='H')
data1 = {'A' : range(6), 'B' : range(6)}
data2 = {'A' : [20, -30, 40], 'B' : [-50, 60, -70]}
df1 = pd.DataFrame(data=data1, index=index)
df2 = pd.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最终成为：

                       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])）将帮助我选择最底行的任何值DatetimeIndex，但我一直在弄清楚group_by or pivot（或？？？）声明来使其发挥作用。

我建议使用重复的 http://pandas.pydata.org/pandas-docs/version/0.17.1/generated/pandas.Index.duplicated.htmlPandas 索引本身的方法：

df3 = df3[~df3.index.duplicated(keep='first')]

虽然所有其他方法都有效，.drop_duplicates对于所提供的示例来说，这是迄今为止性能最低的。此外，虽然分组方法 https://stackoverflow.com/a/13036848/3622349只是性能稍差一些，我发现重复的方法更具可读性。

使用提供的示例数据：

>>> %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，您可以通过将 keep 参数更改为来保留最后一个元素'last'.

还应该注意的是，该方法适用于MultiIndex以及（使用 df1 中指定的保罗的例子 https://stackoverflow.com/a/13036848/3622349):

>>> %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