问题：python pandas删除重复的列
从数据框中删除重复列的最简单方法是什么？
我正在通过以下方式读取具有重复列的文本文件：
import pandas as pd
df=pd.read_table(fname)列名是：
Time, Time Relative, N2, Time, Time Relative, H2, etc...所有“时间”和“相对时间”列均包含相同的数据。我想要：
Time, Time Relative, N2, H2我所有的删除，删除等尝试，例如：
df=df.T.drop_duplicates().T导致唯一值索引错误：
Reindexing only valid with uniquely valued index objects很抱歉成为熊猫的菜鸟。任何建议，将不胜感激。
额外细节
熊猫版本：0.9.0
Python版本：2.7.3
Windows 7
（通过Pythonxy 2.7.3.0安装）
数据文件（注意：在实际文件中，列由制表符分隔，此处它们由4个空格分隔）：
Time Time Relative [s] N2[%] Time Time Relative [s] H2[ppm]
2/12/2013 9:20:55 AM 6.177 9.99268e+001 2/12/2013 9:20:55 AM 6.177 3.216293e-005
2/12/2013 9:21:06 AM 17.689 9.99296e+001 2/12/2013 9:21:06 AM 17.689 3.841667e-005
2/12/2013 9:21:18 AM 29.186 9.992954e+001 2/12/2013 9:21:18 AM 29.186 3.880365e-005
... etc ...
2/12/2013 2:12:44 PM 17515.269 9.991756+001 2/12/2013 2:12:44 PM 17515.269 2.800279e-005
2/12/2013 2:12:55 PM 17526.769 9.991754e+001 2/12/2013 2:12:55 PM 17526.769 2.880386e-005
2/12/2013 2:13:07 PM 17538.273 9.991797e+001 2/12/2013 2:13:07 PM 17538.273 3.131447e-005回答 0
有一个解决方案。如果某些列名重复并且您希望删除它们，则适用此规则：
df = df.loc[:,~df.columns.duplicated()]这个怎么运作：
假设数据框的列是 ['alpha','beta','alpha']
df.columns.duplicated()返回一个布尔数组：a True或False每列。如果是，False则该列名称在该点之前是唯一的；如果是，True则该列名称在前面已重复。例如，使用给定的示例，返回值为[False,False,True]。
Pandas允许使用布尔值建立索引，从而仅选择True值。由于我们要保留不重复的列，因此需要翻转上面的布尔数组（即[True, True, False] = ~[False,False,True]）
最后，df.loc[:,[True,True,False]]使用上述索引功能仅选择非重复列。
注意：以上内容仅检查列名称，而不检查列值。
回答 1
听起来您已经知道唯一的列名。如果是这样，那就df = df['Time', 'Time Relative', 'N2']行得通。
如果没有，您的解决方案应该可以工作：
In [101]: vals = np.random.randint(0,20, (4,3))
vals
Out[101]:
array([[ 3, 13, 0],
[ 1, 15, 14],
[14, 19, 14],
[19, 5, 1]])
In [106]: df = pd.DataFrame(np.hstack([vals, vals]), columns=['Time', 'H1', 'N2', 'Time Relative', 'N2', 'Time'] )
df
Out[106]:
Time H1 N2 Time Relative N2 Time
0 3 13 0 3 13 0
1 1 15 14 1 15 14
2 14 19 14 14 19 14
3 19 5 1 19 5 1
In [107]: df.T.drop_duplicates().T
Out[107]:
Time H1 N2
0 3 13 0
1 1 15 14
2 14 19 14
3 19 5 1您可能有一些特定于您的数据的数据。如果您可以提供更多有关数据的详细信息，我们可以提供更多帮助。
编辑： 就像安迪所说，问题可能出在重复的列标题上。
对于示例表文件“ dummy.csv”，我组成了：
Time H1 N2 Time N2 Time Relative
3 13 13 3 13 0
1 15 15 1 15 14
14 19 19 14 19 14
19 5 5 19 5 1使用read_table给出唯一的列并正常工作：
In [151]: df2 = pd.read_table('dummy.csv')
df2
Out[151]:
Time H1 N2 Time.1 N2.1 Time Relative
0 3 13 13 3 13 0
1 1 15 15 1 15 14
2 14 19 19 14 19 14
3 19 5 5 19 5 1
In [152]: df2.T.drop_duplicates().T
Out[152]:
Time H1 Time Relative
0 3 13 0
1 1 15 14
2 14 19 14
3 19 5 1 如果您的版本不适合您，则可以破解一个解决方案以使其独特：
In [169]: df2 = pd.read_table('dummy.csv', header=None)
df2
Out[169]:
0 1 2 3 4 5
0 Time H1 N2 Time N2 Time Relative
1 3 13 13 3 13 0
2 1 15 15 1 15 14
3 14 19 19 14 19 14
4 19 5 5 19 5 1
In [171]: from collections import defaultdict
col_counts = defaultdict(int)
col_ix = df2.first_valid_index()
In [172]: cols = []
for col in df2.ix[col_ix]:
cnt = col_counts[col]
col_counts[col] += 1
suf = '_' + str(cnt) if cnt else ''
cols.append(col + suf)
cols
Out[172]:
['Time', 'H1', 'N2', 'Time_1', 'N2_1', 'Time Relative']
In [174]: df2.columns = cols
df2 = df2.drop([col_ix])
In [177]: df2
Out[177]:
Time H1 N2 Time_1 N2_1 Time Relative
1 3 13 13 3 13 0
2 1 15 15 1 15 14
3 14 19 19 14 19 14
4 19 5 5 19 5 1
In [178]: df2.T.drop_duplicates().T
Out[178]:
Time H1 Time Relative
1 3 13 0
2 1 15 14
3 14 19 14
4 19 5 1 回答 2
对于大型DataFrame，转置效率很低。这是一个替代方案：
def duplicate_columns(frame):
groups = frame.columns.to_series().groupby(frame.dtypes).groups
dups = []
for t, v in groups.items():
dcols = frame[v].to_dict(orient="list")
vs = dcols.values()
ks = dcols.keys()
lvs = len(vs)
for i in range(lvs):
for j in range(i+1,lvs):
if vs[i] == vs[j]:
dups.append(ks[i])
break
return dups 像这样使用它：
dups = duplicate_columns(frame)
frame = frame.drop(dups, axis=1)编辑
一种高效的内存版本，可像其他任何值一样对待nans：
from pandas.core.common import array_equivalent
def duplicate_columns(frame):
groups = frame.columns.to_series().groupby(frame.dtypes).groups
dups = []
for t, v in groups.items():
cs = frame[v].columns
vs = frame[v]
lcs = len(cs)
for i in range(lcs):
ia = vs.iloc[:,i].values
for j in range(i+1, lcs):
ja = vs.iloc[:,j].values
if array_equivalent(ia, ja):
dups.append(cs[i])
break
return dups回答 3
如果我没有记错的话，下面的操作可以解决问题，而不会出现转置解决方案的内存问题，并且行数少于@kalu函数，并且保留所有类似名称的列中的第一列。
Cols = list(df.columns)
for i,item in enumerate(df.columns):
if item in df.columns[:i]: Cols[i] = "toDROP"
df.columns = Cols
df = df.drop("toDROP",1)回答 4
看来您在正确的道路上。这是您要寻找的一线客：
df.reset_index().T.drop_duplicates().T但是，由于没有示例数据帧会产生引用的错误消息Reindexing only valid with uniquely valued index objects，因此很难确切说明解决问题的方法。如果恢复原始索引对您很重要，请执行以下操作：
original_index = df.index.names
df.reset_index().T.drop_duplicates().reset_index(original_index).T回答 5
第一步：-读取第一行，即删除所有重复的列。
第二步：-最后仅读取该列。
cols = pd.read_csv("file.csv", header=None, nrows=1).iloc[0].drop_duplicates()
df = pd.read_csv("file.csv", usecols=cols)回答 6
我遇到了这个问题，第一个答案提供的衬里效果很好。但是，我的麻烦之处在于该列的第二个副本包含所有数据。第一份没有。
解决方案是通过切换否定运算符拆分一个数据帧来创建两个数据帧。拥有两个数据框后，我使用lsuffix。这样，我就可以引用和删除没有数据的列。
-E
回答 7
下面的方法将识别重复列，以查看最初构建数据框时出了什么问题。
dupes = pd.DataFrame(df.columns)
dupes[dupes.duplicated()]