識別 Pandas 中兩個重疊列的不同映射

Question

假設我有一個 Pandas dataframe 有兩個標識符列，如下所示：

import pandas as pd

so_fake_data = pd.DataFrame(
    {
        'id_1': ['A', 'A', 'D', 'F', 'H', 'H', 'K', 'M'],
        'id_2': ['B', 'C', 'E', 'G', 'I', 'J', 'L', 'L']
    }
)

假設我對這張表的解釋是：

• A與B有關
• A也與C有關
• D與E有關
• （等等）

使用前兩點：如果 A 與 B 和 C 相關，我想得出結論 A、B 和 C 都在同一組中。

本質上，我希望能夠識別這些分組......：

• A、B、C
• D、E
• F, G
• H，我，J
• K、L、M

...然后在這樣的新列中給它們一個分組值，我可以在其中區分每個分組：

我感謝任何人對此的幫助！

Answer 1

聽起來像網絡問題，嘗試使用networkx

import networkx as nx
G = nx.from_pandas_edgelist(df, 'id_1', 'id_2')
l = list(nx.connected_components(G))
l
Out[66]: [{'A', 'B', 'C'}, {'D', 'E'}, {'F', 'G'}, {'H', 'I', 'J'}, {'K', 'L', 'M'}]

那我們可以試試

from functools import reduce
d = reduce(lambda a, b: {**a, **b}, [dict.fromkeys(y,x) for x, y in enumerate(l)])
df['g'] = df.id_1.map(d)
df
Out[76]: 
  id_1 id_2  g
0    A    B  0
1    A    C  0
2    D    E  1
3    F    G  2
4    H    I  3
5    H    J  3
6    K    L  4
7    M    L  4