Détecter et supprimer les doublons
Trouvez les doublons exacts et partiels avec duplicated() et drop_duplicates(), puis décidez quel enregistrement dupliqué conserver.
Détecter et supprimer les doublons est une leçon Pandas & NumPy Academy gratuite sur CoddyKit. Ceci est la leçon 1 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Pandas & NumPy Academy, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Pandas & NumPy Academy comprend 4 leçons au total.
Pourquoi les doublons sont importants
Les lignes en double gonflent discrètement les décomptes, les totaux de revenus et les moyennes sans générer de message d'erreur. Un jeu de données commerciales contenant 500 enregistrements de commandes en double surestimera les revenus exactement du montant correspondant à ces 500 commandes. La détection et la suppression des doublons font partie des premières étapes de nettoyage à effectuer, avant toute agrégation ou modélisation, car les erreurs en aval s'amplifient à partir de cette unique source de corruption.
import pandas as pd
df = pd.read_csv('orders.csv')
print('Shape before dedup:', df.shape)
print('Exact duplicates:', df.duplicated().sum())Trouver les doublons exacts
df.duplicated() renvoie une Series booléenne qui vaut True pour chaque ligne constituant une copie exacte d'une ligne précédente. Par défaut, keep='first' marque toutes les occurrences sauf la première. En transmettant keep=False, vous marquez toutes les occurrences d'un doublon, ce qui est utile lorsque vous souhaitez examiner toutes les copies d'un enregistrement en double avant de décider laquelle conserver.
# Mark only the second+ occurrences
partial_dups = df[df.duplicated(keep='first')]
print('Rows to remove:', len(partial_dups))
# Mark ALL copies of any duplicate
all_dups = df[df.duplicated(keep=False)]
print('Rows involved in duplicates:', len(all_dups))Supprimer les doublons exacts
Supprimez les lignes en double exactes avec df.drop_duplicates(). Par défaut, la première occurrence est conservée et toutes les autres sont supprimées. Transmettez keep='last' pour conserver l'enregistrement le plus récent si vos données comportent un horodatage et que les lignes ultérieures sont considérées comme plus fiables. Vérifiez toujours le nombre de lignes avant et après l'opération afin de confirmer que le nombre attendu de lignes a bien été supprimé.
df_clean = df.drop_duplicates(keep='first')
print('Rows removed:', len(df) - len(df_clean))
print('Shape after dedup:', df_clean.shape)Doublons partiels : fondés sur une clé
Les lignes peuvent être des doublons partiels : elles partagent une clé métier (comme order_id), mais diffèrent dans d’autres colonnes en raison d’un bogue en amont qui a créé deux versions du même enregistrement. Utilisez df.duplicated(subset=['order_id']) pour trouver les lignes ayant la même clé, mais dont les valeurs peuvent différer dans d’autres colonnes. Examinez ces lignes avant de décider comment les réconcilier.
key_dups = df[df.duplicated(subset=['order_id'], keep=False)]
print('Orders with duplicate IDs:')
print(key_dups.sort_values('order_id').head(10))Choisir le doublon à conserver
Lorsque des doublons partiels existent, vous devez décider quel enregistrement fait foi. Stratégies courantes : conserver la ligne correspondant à l’horodatage le plus récent (mise à jour la plus récente), conserver la ligne comportant le plus de valeurs non nulles, ou conserver celle dont le montant est le plus élevé si un enregistrement contient des corrections. Triez selon votre critère de départage, puis supprimez les doublons en conservant la première (ou la dernière) occurrence.
# Keep the record with the latest update timestamp
df_sorted = df.sort_values('updated_at', ascending=False)
df_dedup = df_sorted.drop_duplicates(subset=['order_id'], keep='first')
print('Kept:', len(df_dedup), 'unique orders')Détecter les quasi-doublons
Les quasi-doublons sont des lignes qui représentent la même entité, mais qui diffèrent légèrement — par exemple, le même nom de client avec une faute de frappe, ou la même transaction avec une différence d’arrondi d’un centime. La détection des doublons exacts ne les repère pas. Une approche consiste à regrouper selon la colonne clé et à compter : si un nom de client apparaît avec de légères variations, utilisez .str.strip().str.lower() pour le normaliser avant la déduplication.
df['customer_normalized'] = df['customer_name'].str.strip().str.lower()
near_dups = df.groupby('customer_normalized').size().sort_values(ascending=False)
print(near_dups[near_dups > 1].head())Dédupliquer avec l’agrégation GroupBy
Lorsque vous devez fusionner des lignes en double plutôt que simplement les supprimer, utilisez groupby().agg(). Par exemple, si deux lignes représentent la même commande, mais que l’une contient l’adresse de livraison et l’autre l’adresse de facturation, vous pouvez agréger avec 'first' (en privilégiant les valeurs non nulles) ou avec une fonction personnalisée qui regroupe les valeurs non nulles des doublons.
def coalesce(*args):
for a in args:
if pd.notna(a):
return a
return None
df_merged = df.groupby('order_id').agg(
customer=('customer_name', 'first'),
amount=('amount', 'max'),
date=('order_date', 'min')
).reset_index()
print(df_merged.head())Vérifier la sensibilité à l’ordre des lignes
Le résultat de drop_duplicates(keep='first') dépend de l’ordre des lignes. Si le DataFrame a été chargé depuis une requête de base de données sans clause ORDER BY, l’ordre des lignes n’est pas déterministe : l’enregistrement conservé peut donc varier d’une exécution à l’autre. Triez toujours selon une clé stable (par exemple, une clé primaire ou un horodatage) avant la déduplication afin de rendre le processus déterministe et reproductible.
# Sort by primary key before deduplication for deterministic results
df = df.sort_values('order_id').reset_index(drop=True)
df_clean = df.drop_duplicates(subset=['order_id'], keep='first')
print('Deterministic dedup complete.')Vérifier le résultat de la déduplication
Après la déduplication, vérifiez le résultat avec trois contrôles : il ne doit rester aucun doublon exact (df_clean.duplicated().sum() == 0), aucune clé métier en double (df_clean.duplicated(subset=['order_id']).sum() == 0), et le nombre de lignes attendu doit être plausible. Écrivez ces contrôles sous forme d’assertions afin qu’ils échouent explicitement si de futures modifications des données invalident la logique de nettoyage.
assert df_clean.duplicated().sum() == 0, 'Exact duplicates remain'
assert df_clean.duplicated(subset=['order_id']).sum() == 0, 'Duplicate order IDs remain'
print('Deduplication verified. Rows:', len(df_clean))Documenter les doublons supprimés
Un nettoyage des données de qualité est reproductible et auditable. Consignez le nombre de lignes supprimées, la clé de déduplication et la règle de départage dans un dictionnaire de rapport de nettoyage. Conservez ce rapport avec le fichier de données nettoyées afin que toute personne exécutant ultérieurement le pipeline puisse vérifier les décisions de nettoyage sans relire le code. La transparence du nettoyage des données renforce la confiance dans les résultats de l’analyse.
cleaning_log = {
'original_rows': len(df),
'dedup_key': 'order_id',
'tiebreak': 'keep first by updated_at desc',
'rows_removed': len(df) - len(df_clean),
'clean_rows': len(df_clean)
}
for k, v in cleaning_log.items():
print(f'{k}: {v}')Enregistrer le jeu de données dédupliqué
Enregistrez le DataFrame dédupliqué dans un nouveau fichier plutôt que d’écraser l’original. Vous préservez ainsi les données brutes pour les audits. Nommez clairement le fichier avec un suffixe _clean ou _deduped et indiquez la date d’exécution afin de pouvoir distinguer plusieurs passages de nettoyage. Utilisez Parquet pour accélérer les rechargements lors des étapes suivantes du pipeline.
from datetime import date
output_path = f'orders_clean_{date.today()}.parquet'
df_clean.to_parquet(output_path, index=False)
print(f'Saved {len(df_clean)} rows to {output_path}')Vérification rapide
Évaluez votre compréhension des concepts d’analyse des données présentés dans cette leçon.
Récapitulatif de la leçon
Dans cette leçon, vous avez appris à : détecter les doublons exacts et partiels avec duplicated() et drop_duplicates(), choisir le doublon à conserver à l’aide de stratégies de tri et d’agrégation, et vérifier les résultats avec des assertions tout en consignant les décisions de nettoyage. Nous allons maintenant explorer les techniques de détection et de traitement des valeurs aberrantes.
Questions Fréquemment Posées
La leçon « Détecter et supprimer les doublons » est-elle gratuite ?
Oui — le texte complet de « Détecter et supprimer les doublons » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Pandas & NumPy Academy, passe à CoddyKit PRO. Le cours Pandas & NumPy Academy comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Détecter et supprimer les doublons » ?
Trouvez les doublons exacts et partiels avec duplicated() et drop_duplicates(), puis décidez quel enregistrement dupliqué conserver. Tu pratiques Pandas & NumPy Academy avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Pandas & NumPy Academy ?
Aucune expérience préalable n'est requise. Pandas & NumPy Academy sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 1 sur 4.
Combien de temps prend la leçon « Détecter et supprimer les doublons » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Pandas & NumPy Academy ?
Oui. Chaque leçon Pandas & NumPy Academy inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Détecter et supprimer les doublons
- Détection et traitement des valeurs aberrantes
- Standardiser les catégories incohérentes
- Validation du schéma et assertions