pandas唯一值多列

时间:2014-11-17 16:21:12

标签: python pandas dataframe unique

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

返回' Col1'的唯一值的最佳方法是什么?和' Col2'?

所需的输出是

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

9 个答案:

答案 0 :(得分:135)

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

答案 1 :(得分:7)

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)

答案 2 :(得分:5)

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

或者:

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

答案 3 :(得分:1)

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'])

答案 4 :(得分:1)

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

答案 5 :(得分:0)

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)

答案 6 :(得分:0)

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

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

答案 7 :(得分:0)

这是另一种方式


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

答案 8 :(得分:-1)

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