インデックスが重複している行を削除する（Pandas DataFrameおよびTimeSeries）

Webから自動気象データを読んでいます。観測は5分ごとに行われ、各測候所の月次ファイルにコンパイルされます。ファイルの解析が完了すると、DataFrameは次のようになります。

                      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

私が抱えている問題は、科学者が時々戻って観察を修正することです-エラーのある行を編集するのではなく、ファイルの最後に重複する行を追加することによって。このようなケースの簡単な例を以下に示します。

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

そして、私はdf3公平になる必要があります：

                       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

行番号の列（df3['rownum'] = range(df3.shape[0])）を追加すると、の任意の値の一番下の行を選択するのに役立つDatetimeIndexと思いましたが、group_byor pivot（または???）ステートメントを理解して、それを機能させています。

私はパンダスインデックス自体で複製された方法を使用することをお勧めします：

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

他のすべての方法は機能しますが、現在受け入れられている回答は、提供されている例のパフォーマンスが最も低いです。さらに、groupbyメソッドのパフォーマンスはわずかですが、複製されたメソッドの方が読みやすくなっています。

提供されたサンプルデータを使用：

>>> %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

keep引数を変更すると、最後の要素を保持できることに注意してください。

また、このメソッドはMultiIndex（Paulの例で指定されているようにdf1を使用して）動作することにも注意してください。

>>> %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

私の元の回答は現在は古くなっていますが、参照用に保管されています。

簡単な解決策は drop_duplicates

df4 = df3.drop_duplicates(subset='rownum', keep='last')

私にとっては、これは大規模なデータセットですばやく動作しました。

これには、「rownum」が重複する列であることが必要です。変更された例では、「rownum」には重複がないため、何も削除されません。私たちが本当に望んでいるのは、「cols」をインデックスに設定することです。drop_duplicatesにインデックスのみを考慮するように指示する方法が見つかりませんでした。

次は、インデックスをデータフレーム列として追加し、重複を削除してから、新しい列を削除するソリューションです。

df3 = df3.reset_index().drop_duplicates(subset='index', keep='last').set_index('index')

そして、あなたが物事を適切な順序に戻したい場合sortは、データフレームを呼び出すだけです。

df3 = df3.sort()

ああ。これは実際にはとても簡単です！

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

フォローアップ編集2013-10-29 かなり複雑な場合、私はMultiIndexこのgroupbyアプローチを好むと思います。後世の簡単な例を次に示します。

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

そしてここに重要な部分があります

# 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

残念ながら、Pandasがインデックスからダプを削除することを許可しているとは思いません。私は以下を提案します：

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!

私のような誰かがパンダのドット表記（パイピングなど）を使用した連鎖可能なデータ操作が好きな場合は、次のものが役立つことがあります。

df3 = df3.query('~index.duplicated()')

これにより、次のようなステートメントの連鎖が可能になります。

df3.assign(C=2).query('~index.duplicated()').mean()

重複を削除する（最初に保持）

idx = np.unique( df.index.values, return_index = True )[1]
df = df.iloc[idx]

重複を削除（最後を保持）

df = df[::-1]
df = df.iloc[ np.unique( df.index.values, return_index = True )[1] ]

テスト：OPのデータを使用した10kループ

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