[英]How to count unique records by two columns in pandas?
我在熊貓中有數據框:
In [10]: df
Out[10]:
col_a col_b col_c col_d
0 France Paris 3 4
1 UK Londo 4 5
2 US Chicago 5 6
3 UK Bristol 3 3
4 US Paris 8 9
5 US London 44 4
6 US Chicago 12 4
我需要計算獨特的城市。 我可以計算獨特的狀態
In [11]: df['col_a'].nunique()
Out[11]: 3
我可以嘗試計算獨特的城市
In [12]: df['col_b'].nunique()
Out[12]: 5
但這是錯誤的,因為美國巴黎和法國巴黎是不同的城市。 所以現在我這樣做:
In [13]: df['col_a_b'] = df['col_a'] + ' - ' + df['col_b']
In [14]: df
Out[14]:
col_a col_b col_c col_d col_a_b
0 France Paris 3 4 France - Paris
1 UK Londo 4 5 UK - Londo
2 US Chicago 5 6 US - Chicago
3 UK Bristol 3 3 UK - Bristol
4 US Paris 8 9 US - Paris
5 US London 44 4 US - London
6 US Chicago 12 4 US - Chicago
In [15]: df['col_a_b'].nunique()
Out[15]: 6
也許有更好的方法? 無需創建額外的列。
通過使用ngroups
df.groupby(['col_a', 'col_b']).ngroups
Out[101]: 6
或者使用set
len(set(zip(df['col_a'],df['col_b'])))
Out[106]: 6
您可以選擇col_a和col_b ,刪除重復項,然后檢查結果數據框的形狀/長度:
df[['col_a', 'col_b']].drop_duplicates().shape[0]
# 6
len(df[['col_a', 'col_b']].drop_duplicates())
# 6
因為groupby
會忽略NaN
s,並且可能會不必要地調用排序過程,所以如果列中有NaN
s,請相應地選擇要使用的方法:
考慮如下數據框:
df = pd.DataFrame({
'col_a': [1,2,2,pd.np.nan,1,4],
'col_b': [2,2,3,pd.np.nan,2,pd.np.nan]
})
print(df)
# col_a col_b
#0 1.0 2.0
#1 2.0 2.0
#2 2.0 3.0
#3 NaN NaN
#4 1.0 2.0
#5 4.0 NaN
時間:
df = pd.concat([df] * 1000)
%timeit df.groupby(['col_a', 'col_b']).ngroups
# 1000 loops, best of 3: 625 µs per loop
%timeit len(df[['col_a', 'col_b']].drop_duplicates())
# 1000 loops, best of 3: 1.02 ms per loop
%timeit df[['col_a', 'col_b']].drop_duplicates().shape[0]
# 1000 loops, best of 3: 1.01 ms per loop
%timeit len(set(zip(df['col_a'],df['col_b'])))
# 10 loops, best of 3: 56 ms per loop
%timeit len(df.groupby(['col_a', 'col_b']))
# 1 loop, best of 3: 260 ms per loop
結果:
df.groupby(['col_a', 'col_b']).ngroups
# 3
len(df[['col_a', 'col_b']].drop_duplicates())
# 5
df[['col_a', 'col_b']].drop_duplicates().shape[0]
# 5
len(set(zip(df['col_a'],df['col_b'])))
# 2003
len(df.groupby(['col_a', 'col_b']))
# 2003
所以區別:
選項 1:
df.groupby(['col_a', 'col_b']).ngroups
速度很快,它排除了包含NaN
的行。
選項 2 和 3:
len(df[['col_a', 'col_b']].drop_duplicates())
df[['col_a', 'col_b']].drop_duplicates().shape[0]
相當快,它將NaN
視為唯一值。
選項 4 和 5:
len(set(zip(df['col_a'],df['col_b'])))
len(df.groupby(['col_a', 'col_b']))
慢,並且遵循numpy.nan == numpy.nan
為 False 的邏輯,因此不同的(nan, nan)行被認為是不同的。
In [105]: len(df.groupby(['col_a', 'col_b']))
Out[105]: 6
試試這個,我基本上是從 df 的行數中減去重復組的數量。 這是假設我們對 df 中的所有類別進行分組
df.shape[0] - df[['col_a','col_b']].duplicated().sum()
774 µs ± 603 ns per loop (mean ± std. dev. of 7 runs, 1000 loops each)
import pandas as pd
data = {'field1':[1,4,1,68,9],'field2':[1,1,4,5,9]}
df = pd.DataFrame(data)
results = df.groupby('field1')['field2'].nunique()
results
輸出:
field1
1 2
4 1
9 1
68 1
Name: field2, dtype: int64
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.