这个答案假设我已经正确理解了这个问题......如果 OP 用更多细节更新问题，我可以改变我的答案

使用您的示例数据，您可以使用 Pandas 轻松删除所有重复项。

设置

首先将上面的数据转储到一个包含三列的数据框中（每行中的每个项目一个。

导入熊猫：

import pandas as pd

导入您的数据 - 假设它是一个列表列表 - 您的每一行都是三个项目的列表，所以我们有三列：

df = pd.DataFrame.from_records(your_list_of_lists, columns=["col1", "col2", "col3"])

看看前 5 行：

df.head()
   col1  col2     col3
0   600   900  3418309  
1   600   900  3418309  
2   600   900  3418314  
3   600   900  3418314  
4   600   900  3418319  

默认情况下，这些值将是整数，而不是字符串（如果它们都是）。但是下面的解决方案在任何一种情况下都应该是一样的。

解决方案

如果要获取 的所有唯一值col3，可以执行以下操作之一：

uniques1 = set(df.col3)              # returns a Python set
uniques2 = df.col3.unique()          # returns a NumPy ndarray
uniques3 = df.col3.drop_duplicates() # returns a pandas Series object

如果您只想删除那些col3连续重复的行（在某些情况下，这可能会产生与上述方法相同的结果，具体取决于数据），那么您可以查看这里的方法。[一个例子]适合你的柱状情况2：

def drop_consecutive_duplicates(a, col_name):      # returns the dataframe
    ...:         ar = a[col_name].values 
    ...:         return a[np.concatenate(([True],ar[:-1] != ar[1:]))]

这将返回整个数据框，其中那些连续值行被删除。

表现

还有许多其他方法可以达到相同的结果。在上述方法中，第一种方法是最快的（在您的小型数据集示例中）。以下是基准：

In [23]: %timeit df.col3.drop_duplicates()                                      
263 µs ± 883 ns per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [24]: %timeit df.col3.unique()                                               
37.2 µs ± 3.19 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

In [25]: %timeit set(df.col3)                                                   
10.5 µs ± 45.7 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

连续版本：

In [26]: %timeit drop_consecutive_duplicates(df, "col3")                                                                                                                                                                                          
266 µs ± 3.61 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

我想 Pandas 方法可能能够更好地扩展到具有多行的 DataFrame，因此这个示例可能会偏向于只有约 20 行的虚拟数据集。

最后的方法显然有一点开销，因为它必须执行一些额外的操作