根据分组字段计算唯一值

Question

我正在尝试创建一个函数，该函数根据另一个分组字段对列表中的唯一值进行计数。 下面显示了我的示例数据， listaa[i][0]代表分组字段， listaa[i][2]是必须分组的数字。

listaa = [(u'2004-2006', 48600.0, 386011),
 (u'2004-2006', 900.0, 385792),
 (u'2004-2006', 16200.0, 385792),
 (u'2004-2006', 11700.0, 385792),
 (u'2004-2006', 900.0, 385792),
 (u'2006-2008', 900.0, 386198),
 (u'2006-2008', 39600.0, 385916),
 (u'2006-2008', 4500.0, 385916),
 (u'2006-2008', 900.0, 385916),
 (u'2006-2008', 900.0, 385916),
 (u'2008-2010', 11700.0, 386067)]

这是我的代码，并且可以正常工作。 我想知道是否有最简单的方法来做同样的事情。

fechas = list(set([f[0] for f in listaa]))
fechas.sort()
lista1 = []
lista2 = []
for fecha in fechas:
    for l in listaa:
        if l[0] == fecha:
            lista1.append(l[2])
    lista2.append(str(len(set(lista1))))
    lista1 = []
print lista2

预期结果应为： ["2", "2", "1"] 。

Answer 1

您可以使用defaultdict轻松计算每个组的唯一值。 （在移动设备上，对不起，没有示例输出。）

from collections import defaultdict 

values = defaultdict(set) 
for row in data:
  values[row[0]].add(row[2])

Answer 2

提供利用nunique()的pandas解决方案：

import pandas as pd

listaa = [(u'2004-2006', 48600.0, 386011),
 (u'2004-2006', 900.0, 385792),
 (u'2004-2006', 16200.0, 385792),
 (u'2004-2006', 11700.0, 385792),
 (u'2004-2006', 900.0, 385792),
 (u'2006-2008', 900.0, 386198),
 (u'2006-2008', 39600.0, 385916),
 (u'2006-2008', 4500.0, 385916),
 (u'2006-2008', 900.0, 385916),
 (u'2006-2008', 900.0, 385916),
 (u'2008-2010', 11700.0, 386067)]

df = pd.DataFrame(listaa, columns=['Date','Val1','Val2'])

df.groupby('Date')['Val2'].nunique().tolist()

得到：

[2, 2, 1]