python - 使用特定于列的重复过滤器在 Python 中将行 append 到 CSV

Question

因此，我希望 Python 使用 csv 读取器/写入器获取目录中的所有 CSV 并将它们组合起来，同时过滤掉第二列中包含任何其他行值的重复项的任何行。

这是我不起作用的脚本:

import csv
import glob

with open('merged.csv','a') as out:
    seen = set()
    output = []
    out_writer = csv.writer(out)
    csv_files = [f for f in glob.glob('*.csv') if 'merged' not in f]
#csv_files = glob.glob('*.csv') 
     # I'd like to use all files including the output so that I don't
     # have to rename it when reusing the script - it should dupe-filter itself!
for filename in csv_files:
    with open(filename, 'rb') as ifile:
        read = csv.reader(ifile, delimiter=',')
        for row in read:
            if row[1] not in seen:
                seen.add(row[1])
                if row: #was getting extra rows
                    output.append(row)
out_writer.writerows(output)

我觉得我一定错过了一些简单的事情。我的每个文件大小约为 100MB，我最终希望将其自动化，以便不同的计算机可以共享合并的文件以进行重复检查。

为了额外加分，我如何更改此设置以检查具有 row[1] 和 row[2] 共同的行？ (当然，一旦欺骗过滤器和自包含起作用......)

Answer 1

我建议使用 pandas 而不是 csv writer。我会将您的代码重写为如下所示:

import pandas as pd
import glob

data = pd.concat([pd.DataFrame.from_csv(file) for
                  file in glob.glob("*.csv")]).drop_duplicates(cols=COLNAME_LIST)
data.to_csv('merged.csv')

完全公开，我还没有测试过这段代码，因为我没有大量的 csv 文件，但我之前已经成功编写过类似的东西