用于检测重复记录的工具或python库

Question

我试图通过python在单个csv文件中查找重复项，因此通过搜索我找到了dedupe.io，这是一个使用python和机器学习算法检测重复记录的平台，但它不是免费工具。但是，我不想使用传统的方法来指定比较列。我想找到一种方法来检测重复与高精度。因此，是否有任何工具或python库来查找文本数据集的副本

• 下面是一个例子，可以说明：

    Title, Authors, Venue, Year
    1- Clustering validity checking methods: part II, Maria Halkidi, Yannis Batistakis, Michalis Vazirgiannis, ACM SIGMOD Record, 2002
    2- Cluster validity methods: part I, Yannis Batistakis, Michalis Vazirgiannis, ACM SIGMOD Record, 2002
    3- Book reviews, Karl Aberer, ACM SIGMOD Record, 2003
    4- Book review column, Karl Aberer, ACM SIGMOD Record, 2003
    5- Book reviews, Leonid Libkin, ACM SIGMOD Record, 2003
  

因此，我们可以确定记录1和记录2不重复，即使它们包含几乎相似的数据，但在标题列中略有不同。记录3和4重复，但记录5指的不是同一实体

Answer 1

Pandas提供了一种非常简单的方法来实现这个pandas.DataFrame.drop_duplicates

给定存储在当前工作目录中的以下文件（data.csv）

name,age,salary
John Doe,25,50000
Jayne Doe,20,80000
Tim Smith,40,100000
John Doe,25,50000
Louise Jones,25,50000

以下脚本可用于删除重复记录，将处理后的数据写入当前工作目录（processed_data.csv）中的csv文件

import pandas as pd

df = pd.read_csv("data.csv")
df = df.drop_duplicates()
df.to_csv("processed_data.csv", index=False)

本例中的结果输出如下所示：

name,age,salary
John Doe,25,50000
Jayne Doe,20,80000
Tim Smith,40,100000
Louise Jones,25,50000

pandas.DataFrame.drop_duplicates还允许从特定列中删除重复的属性（而不仅仅是整行的重复属性），使用subset参数指定列名

例如

import pandas as pd

df = pd.read_csv("data.csv")
df = df.drop_duplicates(subset=["age"])
df.to_csv("processed_data.csv", index=False)

将删除age列中的所有重复值，只保留第一条记录，该记录包含在以后记录的age字段中重复的值

在本例中，输出为：

name,age,salary
John Doe,25,50000
Jayne Doe,20,80000
Tim Smith,40,100000