(pandas)如何根据三个相似的数据列创建唯一标识符，其中顺序无关紧要？

Question

（Python/Pandas）我正在对英国房价数据进行一些分析，研究房价是否对附近学校的质量做出反应。 我已经将最近三所学校的 URN（唯一参考编号）与每个房价交易进行了匹配。这些是数据中的 URN_1、URN_2、URN_3 列。

我想估计数据的固定效应模型，其中固定效应基于最近的三所学校。 因此，我想为三所学校的每个集群创建一个唯一的 ID，并且我希望这不受学校顺序的影响。例如，尽管学校的顺序不同，但物业 A 和物业 B 应该具有相同的 ID。

Property    URN_1   URN_2   URN_3
A         100053   100052   100054
B         100052   100054   100053

有谁知道我如何使用 Python 创建唯一的集群 ID？

我已经尝试使用 .groupby() 使用下面的代码创建 ID，但是当学校的顺序不同时，这会给出不同的集群 ID。

这是我尝试过的：

import pandas as pd
URN1=[1,2,3,4,5]
URN2=[5,4,3,2,1]
URN3=[1,2,3,2,1]
lst=['a','b','c','d','e']
df=pd.DataFrame(list(zip(URN1,URN2,URN3)),
columns['URN_1','URN_2','URN_3'],index=lst)
df['clusterid']=df.groupby(['URN_1','URN_2','URN_3']).ngroup()
print(df)

我希望观察 'a' 和 'e' 具有相同的集群 id，但是通过这种方法它们被赋予了不同的 id。

Answer 1

如果您的数据不太长，这会起作用：

# we sort the values of each row
# and turn them to tuples
markers = (df[['URN_1','URN_2','URN_3']]
             .apply(lambda x: tuple(sorted(x.values)), axis=1)
          )

df['clisterid'] = df.groupby(markers).ngroup()

输出：

  Property   URN_1   URN_2   URN_3  clisterid
0        A  100053  100052  100054          0
1        B  100052  100054  100053          0

---

选项 2：由于上述解决方案使用apply ，这在某些情况下可能并不理想。 这是一个数学小技巧：众所周知，一个群(a,b,c) ) 由(a+b+c, a**2+b**2+c**2, abc) 。 所以我们可以计算这些值并按它们分组：

tmp_df = df[['URN_1','URN_2','URN_3']]

s = tmp_df.sum(1)         # sums
sq = (tmp_df**2).sum(1)   # sum of squares
p = tmp_df.prod(1)        # products

# groupby
df['clisterid'] = df.groupby([s,sq,p]).ngroup()

性能：第一种方法处理 200 万行需要 14 秒，而第二种方法需要不到 1 秒。

Answer 2

对组合的唯一类似字符串的对象使用factorize 。 既然顺序无关紧要，我们先排序再组合。

df['clusterid'] = pd.factorize(df[['URN_1','URN_2','URN_3']].apply(lambda x: ','.join([str(y) for y in sorted(x)]),1))[0]

输出：

       URN_1  URN_2  URN_3  clusterid  clisterid
a      1      5      1          0          0
b      2      4      2          1          1
c      3      3      3          2          2
d      4      2      2          3          1
e      5      1      1          4          0

Answer 3

您可以使用排序的 3 个 URN 为每个创建一个字符串。
然后按这个新变量分组并使用 ngroup() 就像你之前尝试过的那样

df['URN_join'] = df[['URN_1','URN_2','URN_3']].apply(lambda x: '_'.join([str(nb) for nb in sorted(x)]), axis=1)
df['clusterid'] = df.groupby(['URN_join']).ngroup()
df

输出 ：

    URN_1   URN_2   URN_3   clusterid   URN_join
a   1       5       1       0           1_1_5
b   2       4       2       1           2_2_4
c   3       3       3       2           3_3_3
d   4       2       2       1           2_2_4
e   5       1       1       0           1_1_5