(pandas)如何根據三個相似的數據列創建唯一標識符，其中順序無關緊要？

Question

（Python/Pandas）我正在對英國房價數據進行一些分析，研究房價是否對附近學校的質量做出反應。 我已經將最近三所學校的 URN（唯一參考編號）與每個房價交易進行了匹配。這些是數據中的 URN_1、URN_2、URN_3 列。

我想估計數據的固定效應模型，其中固定效應基於最近的三所學校。 因此，我想為三所學校的每個集群創建一個唯一的 ID，並且我希望這不受學校順序的影響。例如，盡管學校的順序不同，但物業 A 和物業 B 應該具有相同的 ID。

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

有誰知道我如何使用 Python 創建唯一的集群 ID？

我已經嘗試使用 .groupby() 使用下面的代碼創建 ID，但是當學校的順序不同時，這會給出不同的集群 ID。

這是我嘗試過的：

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)

我希望觀察 'a' 和 'e' 具有相同的集群 id，但是通過這種方法它們被賦予了不同的 id。

Answer 1

如果您的數據不太長，這會起作用：

# 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()

輸出：

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

---

選項 2：由於上述解決方案使用apply ，這在某些情況下可能並不理想。 這是一個數學小技巧：眾所周知，一個群(a,b,c) ) 由(a+b+c, a**2+b**2+c**2, abc) 。 所以我們可以計算這些值並按它們分組：

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：第一種方法處理 200 萬行需要 14 秒，而第二種方法需要不到 1 秒。

Answer 2

對組合的唯一類似字符串的對象使用factorize 。 既然順序無關緊要，我們先排序再組合。

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

輸出：

       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 個 URN 為每個創建一個字符串。
然后按這個新變量分組並使用 ngroup() 就像你之前嘗試過的那樣

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

輸出 ：

    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