在倾向性分数匹配中，避免重复记录是非常重要的，因为重复的记录可能导致结果的偏差。以下是一个包含代码示例的解决方法：

假设有两个数据集，一个是参照组（control group）的数据集，一个是处理组（treatment group）的数据集。我们要避免在进行倾向性分数匹配时，处理组和参照组中的记录重复匹配。

首先，我们需要计算处理组和参照组的倾向性分数。可以使用逻辑回归模型来预测每个个体的倾向性分数。以下是一个示例代码：

from sklearn.linear_model import LogisticRegression

# 假设X是特征矩阵，t是处理组的指示变量（1表示处理组，0表示参照组）
X = ...
t = ...

# 使用逻辑回归模型拟合
model = LogisticRegression()
model.fit(X, t)

# 预测每个个体的倾向性分数
propensity_scores = model.predict_proba(X)[:, 1]

接下来，我们可以使用倾向性分数来进行匹配。在匹配过程中，我们需要保证处理组和参照组中的记录不重复匹配。以下是一个示例代码：

import numpy as np

# 假设propensity_scores_control和propensity_scores_treatment分别是参照组和处理组的倾向性分数
propensity_scores_control = ...
propensity_scores_treatment = ...

# 初始化匹配结果
matched_pairs = []

# 对于每个处理组的个体，找到与其倾向性分数最接近的参照组个体，并将其记录添加到匹配结果中
for i in range(len(propensity_scores_treatment)):
    # 计算当前处理组个体与所有参照组个体的倾向性分数差距
    diff = np.abs(propensity_scores_treatment[i] - propensity_scores_control)
    
    # 找到与当前处理组个体倾向性分数最接近的参照组个体的索引
    closest_index = np.argmin(diff)
    
    # 如果这个参照组个体之前没有被匹配过，将其添加到匹配结果中
    if closest_index not in matched_pairs:
        matched_pairs.append(closest_index)
        
# 打印匹配结果
print(matched_pairs)

通过上述代码，我们可以避免倾向性分数匹配中的重复记录，确保每个处理组的个体都与一个不重复的参照组个体进行匹配。