unique()返回numpy.ndarray，不支持Pandas链式方法；需转Series才能排序；drop_duplicates()保留原结构更适清洗；nunique()默认忽略NaN，dropna=False可包含NaN；二者用途不同：unique()取值集合，nunique()统计数量。
用 unique() 拿出所有不重复值，但结果是 NumPy 数组
它不返回 Pandas 对象，而是 numpy.ndarray，所以不能直接链式调用 .sort_values() 或 .str.upper() 这类 Pandas 方法。常见错误是写成 df['col'].unique().sort_values()，报错 AttributeError: 'numpy.ndarray' object has no attribute 'sort_values'。
如果真要排序或进一步处理，得先转回 Series：pd.Series(df['col'].unique()).sort_values()。不过更常用的是配合 drop_duplicates()——后者保留原始 dtype 和索引结构，适合后续计算。
-
unique()忽略 NaN，默认去重（NaN 被视为一个值） - 对 datetime、category 类型也有效，但返回的数组元素类型可能和原列不完全一致（比如 category 列返回 object 数组）
- 性能上比
drop_duplicates()略快，但差别通常可忽略
用 nunique() 统计不重复个数，注意 NaN 默认不算
nunique() 返回的是整数，不是列表。最常踩的坑是误以为它和 len(unique()) 完全等价——其实默认情况下，nunique() 把 NaN 当作缺失值跳过，而 len(df['col'].unique()) 会把 NaN 算作一个唯一值。
比如一列是 [1, 2, np.nan, np.nan]：nunique() 返回 2，len(unique()) 返回 3（因为 np.nan 在数组里只出现一次）。
- 想让
nunique()把 NaN 当作一个值统计，加参数dropna=False - 支持
axis=1按行统计，但仅限于 DataFrame；Series 只能按列（即自身）统计 - 在 groupby 后使用时，
nunique()是聚合函数，unique()会报错（不能直接聚合）
别混淆 unique() 和 drop_duplicates()
unique() 是“抽出来”，drop_duplicates() 是“删掉重复、留下首次出现的行”。它们目的不同：前者用于观察有哪些值，后者用于清洗数据。
例如 df.drop_duplicates(subset=['A']) 返回的是 DataFrame 子集，保留原始索引；而 df['A'].unique() 返回的是纯值列表，无索引、无列名。
-
drop_duplicates()支持keep='last'或keep=False，unique()没有这类控制 -
drop_duplicates()可以基于多列去重，unique()只能作用于单列或单 Series - 对含 list/dict 的列，
unique()会报TypeError（不可哈希），drop_duplicates()同样不支持——得先转成字符串或 tuple
groupby 后怎么安全地取唯一值？用 apply(set) 还是 nunique()？
如果目标是“每组有多少个不同值”，直接用 .nunique()；如果目标是“每组有哪些值”，就别用 .unique()——它在 groupby.agg() 里可能被自动降维或报错，尤其遇到空组时。
稳妥做法是 df.groupby('A')['B'].apply(lambda x: list(x.unique()))，或者更清晰的 df.groupby('A')['B'].apply(set).apply(list)。但要注意 set 不保序，且不能包含 unhashable 类型。
- 空组下
nunique()返回0，unique()返回空数组[]，行为一致 - 大数据量时，
apply(set)比多次调用unique()稍慢，但可读性更好 - 若需去重后还带计数，直接用
value_counts()配合 groupby 更直接
unique() 或 nunique()；至于要不要保留 NaN、要不要排序、要不要进 groupby 流程——这些细节一旦漏掉，结果就差一个 NaN 或者少一行数据。 
