如何从 csv 文件中删除重复项

问题描述：

我从 Hotmail 下载了一个 CSV 文件，但里面有很多重复项。这些重复项是完整的副本，我不知道我的手机为什么会创建它们。

我想删除重复项。

技术规格：

Windows XP SP3
Python 2.7
包含 400 个联系人的 CSV 文件

解决方案 1：

更新：2016 年

如果您乐意使用有用的more_itertools外部库：

from more_itertools import unique_everseen
with open('1.csv', 'r') as f, open('2.csv', 'w') as out_file:
    out_file.writelines(unique_everseen(f))

@IcyFlame 解决方案的更高效版本

with open('1.csv', 'r') as in_file, open('2.csv', 'w') as out_file:
    seen = set() # set for fast O(1) amortized lookup
    for line in in_file:
        if line in seen: continue # skip duplicate

        seen.add(line)
        out_file.write(line)

要在现场编辑同一个文件，你可以使用这个（旧 Python 2 代码）

import fileinput
seen = set() # set for fast O(1) amortized lookup
for line in fileinput.FileInput('1.csv', inplace=1):
    if line in seen: continue # skip duplicate

    seen.add(line)
    print line, # standard output is now redirected to the file

解决方案 2：

您可以使用 Pandas 有效地删除重复项，它可以随一起安装，或者随Anaconda的 python发行版pip一起安装。

看pandas.DataFrame.drop_duplicates

pip install pandas

代码

import pandas as pd
file_name = "my_file_with_dupes.csv"
file_name_output = "my_file_without_dupes.csv"

df = pd.read_csv(file_name, sep="     or ,")

# Notes:
# - the `subset=None` means that every column is used 
#    to determine if two rows are different; to change that specify
#    the columns as an array
# - the `inplace=True` means that the data structure is changed and
#   the duplicate rows are gone  
df.drop_duplicates(subset=None, inplace=True)

# Write the results to a different file
df.to_csv(file_name_output, index=False)

对于编码问题，请使用python 标准编码encoding=...中的相应类型进行设置。

有关更多详细信息，请参阅将 CSV 文件导入为 pandas DataFramepd.read_csv

解决方案 3：

您可以使用以下脚本：

前提：

1. 1.csv是包含重复项的文件

2. 2.csv是执行此脚本后将没有重复项的输出文件。

代码

inFile = open('1.csv','r')

outFile = open('2.csv','w')

listLines = []

for line in inFile:

    if line in listLines:
        continue

    else:
        outFile.write(line)
        listLines.append(line)

outFile.close()

inFile.close()

算法解释

在这里，我正在做的事情是：

1. 以读取模式打开文件。这是包含重复项的文件。

2. 然后在循环中直到文件结束，我们检查该行是否已经遇到。

3. 如果遇到了，我们就不会将其写入输出文件。

4. 如果没有，我们将把它写入输出文件，并将其添加到已经遇到的记录列表中

解决方案 4：

我知道这早已解决，但我遇到了一个密切相关的问题，即我需要根据一列删除重复项。输入的 csv 文件非常大，无法通过 MS Excel/Libre Office Calc/Google Sheets 在我的 PC 上打开；147MB，大约有 250 万条记录。由于我不想为这么简单的事情安装整个外部库，所以我编写了下面的 python 脚本，在不到 5 分钟的时间内完成了这项工作。我没有专注于优化，但我相信它可以优化为更快、更高效地运行更大的文件。该算法类似于上面的@IcyFlame，只是我根据列（“CCC”）而不是整行/行删除重复项。

import csv

with open('results.csv', 'r') as infile, open('unique_ccc.csv', 'a') as outfile:
    # this list will hold unique ccc numbers,
    ccc_numbers = set()
    # read input file into a dictionary, there were some null bytes in the infile
    results = csv.DictReader(infile)
    writer = csv.writer(outfile)

    # write column headers to output file
    writer.writerow(
        ['ID', 'CCC', 'MFLCode', 'DateCollected', 'DateTested', 'Result', 'Justification']
    )
    for result in results:
        ccc_number = result.get('CCC')
        # if value already exists in the list, skip writing it whole row to output file
        if ccc_number in ccc_numbers:
            continue
        writer.writerow([
            result.get('ID'),
            ccc_number,
            result.get('MFLCode'),
            result.get('datecollected'),
            result.get('DateTested'),
            result.get('Result'),
            result.get('Justification')
        ])

        # add the value to the list to so as to be skipped subsequently
        ccc_numbers.add(ccc_number)

解决方案 5：

@jamylak 解决方案的更高效版本:(少一条指令）

with open('1.csv','r') as in_file, open('2.csv','w') as out_file:
    seen = set() # set for fast O(1) amortized lookup
    for line in in_file:
        if line not in seen: 
            seen.add(line)
            out_file.write(line)

要就地编辑同一个文件，你可以使用这个

import fileinput
seen = set() # set for fast O(1) amortized lookup
for line in fileinput.FileInput('1.csv', inplace=1):
    if line not in seen:
        seen.add(line)
        print line, # standard output is now redirected to the file