Python Pandas中duplicated()与drop_duplicates()的区别详解
本文详细解析Python Pandas中duplicated()与drop_duplicates()函数的核心区别。通过生成测试数据，演示如何判断行重复及删除重复值。重点说明duplicated()返回重复出现的行（仅显示n-1条），而drop_duplicates()直接返回去重后的完整数据框，默认保留第一条记录。
2026-10-14
6
本文详细解析Python Pandas中duplicated()与drop_duplicates()函数的核心区别。通过生成测试数据，演示如何判断行重复及删除重复值。重点说明duplicated()返回重复出现的行（仅显示n-1条），而drop_duplicates()直接返回去重后的完整数据框，默认保留第一条记录。
本文详细介绍Python中pandas库的比较操作，涵盖比较运算符与比较方法的使用场景。通过对比两个DataFrame、Series以及标量数据的比较方式，解析索引对齐、形状匹配及数据类型限制等关键细节，帮助开发者高效处理数据比对任务。
本文介绍在 Python 中读取 .txt 或 .md 格式文本文件的三种常用方式。通过 csv.reader 按行解析为列表，利用 numpy.loadtxt 转换为数值数组，以及使用 pandas.read_csv 直接生成 DataFrame。文章对比了各方法的输出格式与适用场景，并提供了完整的代码示例及注意事项，帮助开发者根据实际需求选择最高效的数据读取方案。
本文详解如何在Pandas中实现Hive的explode函数功能，用于处理员工销售记录统计。通过展开订单角色列表并去重，准确计算每位员工参与的不同订单数量，适用于复杂业务场景下的数据清洗与分析。
本文介绍在Python中使用pandas将数据中的NaN值转换为None的方法。通过df.where(df.notnull(), None)实现精准替换，解决接口接收数据时的类型兼容问题。同时补充了处理数据库读取后None转0.0时的常见误区，指出需区分NaN与None类型，并给出fillna的正确用法。
本文详细介绍Pandas库中pd.dropna()函数的用法，用于过滤DataFrame中的缺失数据（NaN）。文章解析了axis、how、thresh、subset和inplace等关键参数的具体含义，并通过多个代码示例演示了按行或列删除含空值数据、设定非空元素最低数量、指定子集判断以及原地修改等操作，帮助开发者高效进行数据清洗。
本文详解Pandas中缺失值的处理流程，涵盖np.nan、None及自定义缺失值的识别方法。深入解析isnull、dropna与fillna函数的核心参数（如axis、how、thresh、method），提供删除与填充缺失值的最佳实践及注意事项，帮助开发者高效完成数据清洗。
本文介绍如何使用Python实现自动化办公，通过os库遍历文件夹提取文件名，并结合pandas库读取Excel文件。程序将提取的文件名与Excel中的姓名列进行比对，若匹配则自动更新指定列的数值，适用于活动签到、时长统计等场景，有效减少人工核对工作量。
本文详细介绍Python中pandas库的数据合并功能，重点讲解concat函数的axis参数、join模式及ignore_index用法，以及append方法的使用场景。通过具体代码示例展示如何对相同字段表进行首尾连接、多表分组合并及不同列名表的行对齐操作，帮助开发者掌握高效的数据处理技巧。
本文介绍如何使用Python结合Pandas库，自动化处理QQ群相册中的单词打卡数据。通过手动复制相册内容至文本文件，利用正则表达式提取用户昵称，并自动在Excel打卡表中标记“√”。文章详细讲解了文件路径配置、日期格式转换及代码运行步骤，旨在解决因QQ安全机制导致无法直接爬虫获取数据的痛点，提供一套高效的人工辅助+代码自动化的解决方案。
本文详细解决Jupyter Notebook中输出区域字符被截断及Pandas DataFrame行列显示不全的问题。通过修改custom.css中的div.output_area padding值修复UI显示，并利用pd.set_option和pd.reset_option调整max_columns与max_rows参数，实现数据完整展示与默认配置还原。
本文详解如何在Python中利用Pandas库高效读写MySQL数据库。通过结合pymysql和SQLAlchemy，实现从数据库读取数据生成DataFrame，以及将DataFrame写入数据库表的操作。包含完整的连接配置、查询及写入代码示例，适用于大数据处理场景。
