Подтвердить что ты не робот

Как удалить дубликаты в файле csv на основе двух столбцов?

У меня есть файл csv:

column1    column2

john       kerry
adam       stephenson
ashley     hudson
john       kerry
etc..

Я хочу удалить дубликаты из этого файла, чтобы получить только:

column1    column2

john       kerry
adam       stephenson
ashley     hudson

Я написал этот script, который удаляет дубликаты на основе lastnames, но мне нужно удалить дубликаты на основе lastnames AND firstname.

import csv

reader=csv.reader(open('myfilewithduplicates.csv', 'r'), delimiter=',')
writer=csv.writer(open('myfilewithoutduplicates.csv', 'w'), delimiter=',')

lastnames = set()
for row in reader:
    if row[1] not in lastnames:
        writer.writerow(row)
        lastnames.add( row[1] )

Ответ 1

Ты действительно рядом. Используйте эти столбцы как установленную запись

entries = set()

for row in reader:
   key = (row[0], row[1]) # instead of just the last name

   if key not in entries:
      writer.writerow(row)
      entries.add(key)

Ответ 2

Теперь вы можете использовать метод .drop_duplicates в pandas. Я бы сделал следующее:

import pandas as pd
toclean = pd.read_csv('myfilewithduplicates.csv')
deduped = toclean.drop_duplicates([col1,col2])
deduped.to_csv('myfilewithoutduplicates.csv')

Ответ 3

Быстрый способ состоял бы в создании уникального набора строк с использованием следующей техники (принятой из @CedricJulien из этой публикации). Вы теряете преимущество DictWriter наличия имен столбцов, хранящихся в каждой строке, но оно должно работать для вас:

>>> import csv
>>> with open('testcsv1.csv', 'r') as f:
...   reader = csv.reader(f)
...   uniq = [list(tup) for tup in set([tuple(row) for row in reader])]
...
>>> with open('nodupes.csv', 'w') as f:
...   writer=csv.writer(f)
...   for row in uniq:
...     writer.writerow(row)

В этом случае используется тот же метод, который используется @CedricJulien, который является хорошим однострочным шрифтом для удаления повторяющихся строк (определяемых как одно и то же имя и фамилия). Это использует классы DictReader/DictWriter:

>>> import csv
>>> with open('testcsv1.csv', 'r') as f:
...   reader = csv.DictReader(f)
...   rows = [row for row in reader]
...
>>> uniq = [dict(tup) for tup in set(tuple(person.items()) for person in rows)]
>>> with open('nodupes.csv', 'w') as f:
...   headers = ['column1', 'column2']
...   writer = csv.DictWriter(f, fieldnames=headers)
...   writer.writerow(dict((h, h) for h in headers))

...   for row in uniq:
...     writer.writerow(row)
...