这将把索引添加为DataFrame列，删除重复项，然后删除新列:

df = (df.reset_index()
        .drop_duplicates(subset='index', keep='last')
        .set_index('index').sort_index())

注意，在末尾使用.sort_index()是必要的，是可选的。

不幸的是，我不认为熊猫允许一个下降的指数。我建议如下:

df3 = df3.reset_index() # makes date column part of your data
df3.columns = ['timestamp','A','B','rownum'] # set names
df3 = df3.drop_duplicates('timestamp',take_last=True).set_index('timestamp') #done!

我建议对熊猫指数本身使用重复的方法:

df3 = df3[~df3.index.duplicated(keep='first')]

虽然所有其他方法都可以工作，但.drop_duplicate是目前为止提供的示例中性能最差的。此外，虽然groupby方法的性能略差，但我发现复制的方法可读性更好。

使用提供的示例数据:

>>> %timeit df3.reset_index().drop_duplicates(subset='index', keep='first').set_index('index')
1000 loops, best of 3: 1.54 ms per loop

>>> %timeit df3.groupby(df3.index).first()
1000 loops, best of 3: 580 µs per loop

>>> %timeit df3[~df3.index.duplicated(keep='first')]
1000 loops, best of 3: 307 µs per loop

注意，可以通过将keep参数更改为'last'来保留最后一个元素。

还应该注意的是，这个方法也适用于MultiIndex(使用Paul的例子中指定的df1):

>>> %timeit df1.groupby(level=df1.index.names).last()
1000 loops, best of 3: 771 µs per loop

>>> %timeit df1[~df1.index.duplicated(keep='last')]
1000 loops, best of 3: 365 µs per loop

如果有人像我一样喜欢使用熊猫点符号(比如管道)进行可链数据操作，那么下面的代码可能会有用:

df3 = df3.query('~index.duplicated()')

这使得链接语句像这样:

df3.assign(C=2).query('~index.duplicated()').mean()

这将把索引添加为DataFrame列，删除重复项，然后删除新列:

df = (df.reset_index()
        .drop_duplicates(subset='index', keep='last')
        .set_index('index').sort_index())

注意，在末尾使用.sort_index()是必要的，是可选的。

删除重复的(保留优先)

idx = np.unique( df.index.values, return_index = True )[1]
df = df.iloc[idx]

删除重复文件(保留最后)

df = df[::-1]
df = df.iloc[ np.unique( df.index.values, return_index = True )[1] ]

测试:使用OP的数据进行10k循环

numpy method - 3.03 seconds
df.loc[~df.index.duplicated(keep='first')] - 4.43 seconds
df.groupby(df.index).first() - 21 seconds
reset_index() method - 29 seconds