[英]How do I check the % of values in an array that exist in another array in pandas?
我在熊猫中有一个DataFrame,看起来像这样:
app_id_x period app_id_y
10 [pb6uhl15, xn66n2cr, e68t39yp, s7xun0k1, wab2z... 2015-19 NaN
11 [uscm6kkb, tja4ma8u, qcwhw33w, ux5bbkjz, mmt3s... 2015-20 NaN
12 [txdbauhy, dib24pab, xt69u57g, n9e6a6ol, d9f7m... 2015-21 NaN
13 [21c2b5ca5e7066141b2e2aea35d7253b3b8cce11, oht... 2015-22 [g8m4lecv, uyhsx6lo, u9ue1zzo, kw06m3f5, wvqhq...
14 [64lbiaw3, jum7l6yd, a5d00f6aba8f1505ff22bc1fb... 2015-23 [608a223c57e1174fc64775dd2fd8cda387cc4a47, ze4...
15 [gcg8nc8k, jkrelo7v, g9wqigbc, n806bjdu, piqgv... 2015-24 [kz8udlea, zwqo7j8w, 6d02c9d74b662369dc6c53ccc...
16 [uc311krx, wpd7gm75, am8p0spd, q64dcnlm, idosz... 2015-25 [fgs0qhtf, awkcmpns, e0iraf3a, oht91x5j, mv4uo...
17 [wilhuu0x, b51xiu51, ezt7goqr, qj6w7jh6, pkzkv... 2015-26 [zwqo7j8w, dzdfiof5, phwoy1ea, e7hfx7mu, 40fdd...
18 [xn43bho3, uwtjxy6u, ed65xcuj, ejbgjh61, hbvzt... 2015-27 [ze4rr0vi, kw06m3f5, be532399ca86c053fb0a69d13...
我想做的事,是每个period
,这是行,检查的百分比app_id_y
这也是在列表中值app_id_x
值,该行例如,如果ze4rr0vi和gm83klja不到app_id_x
包含在53个值行,那么应该有一个称为adoption_rate
的新列,该列是:
period adoption_rate
2015-9 0%
2015-22 3.56%
2015-25 4.56%
2015-26 5.10%
2015-35 4.58%
2015-36 1.23%
这个怎么样:
df[adoption_rate] = [100.*len(set(df.loc[i,app_id_x]) &\
set(df.loc[i,app_id_y]))/len(set(df.loc[i,app_id_x]))\
if type(df.loc[i,app_id_x])==list and \
type(df.loc[i,app_id_x])==list \
else 0. for i in df.index]
编辑:修复了任何数组中重复值的情况。
您可以使用numpy.intersect1d
获取两个数组之间的公共元素,这完成了需要完成的大部分工作。 为了获得输出,我将编写一个函数以获取给定行的重叠百分比,然后使用apply
添加adapment_rate列。
def get_overlap_pcnt(row):
# Get the overlap between arrays.
overlap = len(np.intersect1d(row['app_id_x'], row['app_id_y']))
# Compute the percent common.
if overlap == 0:
pcnt = 0
else:
pcnt = 100*overlap/len(row['app_id_y'])
return '{:.2f}%'.format(pcnt)
df['adoption_rate'] = df.apply(get_overlap_pcnt, axis=1)
从您的问题中我无法完全确定您是否希望app_id_y
或app_id_x
作为分母,但这很容易进行更改。 以下是使用我创建的一些示例数据的示例输出。
app_id_x app_id_y period adoption_rate
0 [a, b, c, d, e, f, g] NaN 2015-08 0.00%
1 [b, c, d] [b, c, d, e] 2015-09 75.00%
2 [a, b, c, x, y, z] [x, y, z] 2015-10 100.00%
3 [q, w, e, r, t, y] [a, b, c, d, e] 2015-11 20.00%
4 [x, y, z] [a, b, x] 2015-12 33.33%
其他答案遗漏的是,这是存储数据的一种非常不自然的方法。 通常,pandas DataFrame中的值应为标量。
为了解决此问题,一种更好的表示数据的方法是将它们重塑为两个数据框X和Y。在X中,行是句点,列是ID(例如'g8m4lecv')。 如果该时间段的值在您的X列中,则X数据框中的条目为1
,Y则类似。
这样可以更轻松地执行您想要执行的各种操作。
开始:
import pandas as pd
import numpy as np
# from the comment by @jezrael . Super useful, thanks
df = pd.DataFrame({'app_id_x': {10: ['pb6uhl15', 'pb6uhl15', 'pb6uhl15'], 11: ['pb6uhl15', 'pb6uhl15', 'e68t39yp', 's7xun0k1'], 12: [ 'pb6uhl15', 's7xun0k1'], 13: [ 's7xun0k1'], 14: ['pb6uhl15', 'pb6uhl15', 'e68t39yp', 's7xun0k1']}, 'app_id_y': {10: ['pb6uhl15'], 11: ['pb6uhl15'], 12: np.nan, 13: ['pb6uhl15', 'xn66n2cr', 'e68t39yp', 's7xun0k1'], 14: ['e68t39yp', 'xn66n2cr']}, 'period': {10: '2015-19', 11: '2015-20', 12: '2015-21', 13: '2015-22', 14: '2015-23'}})
# pulling the data out of the lists in the starting dataframe
new_data = []
for _,row in df.iterrows():
for col in ['app_id_x','app_id_y']:
vals = row[col]
if isinstance(vals,list):
for v in set(vals):
new_data.append((row['period'],col[-1],v,1))
new_df = pd.DataFrame(new_data, columns = ['period','which_app','val','exists'])
# splitting the data into two frames
def get_one_group(app_id):
return new_df.groupby('which_app').get_group(app_id).drop('which_app', axis=1)
X = get_one_group('x')
Y = get_one_group('y')
# converting to the desired format
def convert_to_indicator_matrix(df):
return df.set_index(['period','val']).unstack('val').fillna(0)
X = convert_to_indicator_matrix(X)
Y = convert_to_indicator_matrix(Y)
现在,真正解决您的问题非常容易。 我不清楚您到底需要解决什么,但是假设您想知道每个时期的number_ids_in_both
除以number_ids_in_Y
。
combined = (X * Y).fillna(0)
combined.sum(axis=1) / Y.sum(axis=1)
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.