Question

df = pd.DataFrame({'Col1': ['Bob', 'Joe', 'Bill', 'Mary', 'Joe'],
                   'Col2': ['Joe', 'Steve', 'Bob', 'Bob', 'Steve'],
                   'Col3': np.random.random(5)})

返回＆＃39; Col1＆＃39;的唯一值的最佳方法是什么？和＆＃39; Col2＆＃39;？

所需的输出是

'Bob', 'Joe', 'Bill', 'Mary', 'Steve'

Answer 1

pd.unique返回输入数组或DataFrame列或索引的唯一值。

此功能的输入需要是一维的，因此需要组合多个列。最简单的方法是选择所需的列，然后在展平的NumPy数组中查看值。整个操作如下：

>>> pd.unique(df[['Col1', 'Col2']].values.ravel('K'))
array(['Bob', 'Joe', 'Bill', 'Mary', 'Steve'], dtype=object)

请注意，ravel()是一个数组方法，而不是返回多维数组的视图（如果可能）。参数'K'告诉方法按照元素存储在内存中的顺序展平数组（pandas通常在Fortran-contiguous order中存储底层数组;行之前的列）。这比使用方法的默认“C”顺序要快得多。

另一种方法是选择列并将其传递给np.unique：

>>> np.unique(df[['Col1', 'Col2']].values)
array(['Bill', 'Bob', 'Joe', 'Mary', 'Steve'], dtype=object)

这里不需要使用ravel()，因为该方法处理多维数组。即便如此，这可能比pd.unique慢，因为它使用基于排序的算法而不是哈希表来识别唯一值。

对于较大的DataFrame，速度差异很大（特别是如果只有少数唯一值）：

>>> df1 = pd.concat([df]*100000, ignore_index=True) # DataFrame with 500000 rows
>>> %timeit np.unique(df1[['Col1', 'Col2']].values)
1 loop, best of 3: 1.12 s per loop

>>> %timeit pd.unique(df1[['Col1', 'Col2']].values.ravel('K'))
10 loops, best of 3: 38.9 ms per loop

>>> %timeit pd.unique(df1[['Col1', 'Col2']].values.ravel()) # ravel using C order
10 loops, best of 3: 49.9 ms per loop

Answer 2

我已在其列中设置了一个DataFrame，其中包含一些简单的字符串：

>>> df
   a  b
0  a  g
1  b  h
2  d  a
3  e  e

您可以连接您感兴趣的列，并调用unique函数：

>>> pandas.concat([df['a'], df['b']]).unique()
array(['a', 'b', 'd', 'e', 'g', 'h'], dtype=object)

Answer 3

In [5]: set(df.Col1).union(set(df.Col2))
Out[5]: {'Bill', 'Bob', 'Joe', 'Mary', 'Steve'}

或者：

set(df.Col1) | set(df.Col2)

Answer 4

非pandas解决方案：使用set（）。

import pandas as pd
import numpy as np

df = pd.DataFrame({'Col1' : ['Bob', 'Joe', 'Bill', 'Mary', 'Joe'],
              'Col2' : ['Joe', 'Steve', 'Bob', 'Bob', 'Steve'],
               'Col3' : np.random.random(5)})

print df

print set(df.Col1.append(df.Col2).values)

输出：

   Col1   Col2      Col3
0   Bob    Joe  0.201079
1   Joe  Steve  0.703279
2  Bill    Bob  0.722724
3  Mary    Bob  0.093912
4   Joe  Steve  0.766027
set(['Steve', 'Bob', 'Bill', 'Joe', 'Mary'])

Answer 5

使用numpy v1.13 +的更新解决方案需要在np.unique中指定轴（如果使用多列），否则数组将被隐式展平。

import numpy as np

np.unique(df[['col1', 'col2']], axis=0)

此更改于2016年11月推出：https://github.com/numpy/numpy/commit/1f764dbff7c496d6636dc0430f083ada9ff4e4be

Answer 6

对于我们这些喜欢大熊猫，应用，当然还有lambda功能的人：

df['Col3'] = df[['Col1', 'Col2']].apply(lambda x: ''.join(x), axis=1)

Answer 7

list(set(df[['Col1', 'Col2']].as_matrix().reshape((1,-1)).tolist()[0]))

输出将是 ['Mary'，'Joe'，'Steve'，'Bob'，'Bill']

Answer 8

这是另一种方式


import numpy as np
set(np.concatenate(df.values))

Answer 9

np.unique(df.values.flatten())

pandas唯一值多列

9 个答案: