数据分析数据预处理：重复值（duplicated方法）

bboysky452024-05-02 3:09

高频数据的重复值处理

数据源为高频 trades 数据

1. 导入数据

复制代码

import pandas as pd

df = pd.read_csv('hf_data.csv')

print(df)

2. duplicate方法查看重复值

（1）subset 参数指定columns name

复制代码

df.duplicated(subset='localtime').sum()

subset指定localtime判断是否存在重复值，返回bool

复制代码

check_localtime = df.duplicated(subset='localtime')

df[check_localtime>0].tail(20)

可以看到同个时间戳有多笔成交。

3. 重复值处理

针对不同的数据需求，最简单的三种重复值处理方法。

（1）drop_duplicated() 直接删除掉重复数据

复制代码

df_drop_duplicate = df.drop_duplicates(subset='localtime')

print("原数据shape",df.shape)
print("删除重复值后数据shape",df_drop_duplicate.shape)
print("检验重复值,",df_drop_duplicate.duplicated().sum())

可以看到重复数据占比还是比较多的，若重复数据有意义，比如该数据描述的是交易数据，则当同个时间戳有多个交易数据描述了当下市场的活跃情况；因此用该方案做数据处理并不一定合适。

（2）保留重复值中的第一个或最后一个：drop_duplicated的keep参数

复制代码

df_keep_last = df.drop_duplicates(subset='localtime',keep='last')

当我们想保留重复数据最后一个值，可以使用drop_duplicated的keep参数，"last"为最后一个值，"first"为第一个值。

（3）使用groupby对重复值做运算

分析原数据：localtime重复是因为同个时间多笔成交单形成，其次数据中有其他的属性比如价格（price)，成交量(qty)，交易方向(side)；因此比较合适的处理方法是将数据时间戳合并到最小单位1ms，而针对不同的属性，可以采取：保留最后一个价格，总成交量等等；这样即处理了重复值的问题，也保留了数据中的信息

复制代码

df.groupby(by='localtime').agg({'qty':"sum",'price':"last"})