鉴于pandas系列的str类型,我想得到str.split返回的结果的频率。
例如,给定系列
s = pd.Series(['abc,def,ghi','ghi,abc'])
我想得到
abc: 2
def: 1
ghi: 2
结果是。我怎么能得到这个?
编辑:该解决方案可以有效地处理5000万行的大型系列。
答案 0 :(得分:3)
是你想要的吗?
In [29]: from collections import Counter
In [30]: Counter(s.str.split(',').sum())
Out[30]: Counter({'abc': 2, 'def': 1, 'ghi': 2})
或
In [34]: a = pd.Series(s.str.split(',').sum())
In [35]: a
Out[35]:
0 abc
1 def
2 ghi
3 ghi
4 abc
dtype: object
In [36]: a.groupby(a).size()
Out[36]:
abc 2
def 1
ghi 2
dtype: int64
答案 1 :(得分:3)
另一个使用str.split
,sum
和value_counts
的大熊猫解决方案:
print pd.Series(s.str.split(',').sum()).value_counts()
abc 2
ghi 2
def 1
dtype: int64
编辑:
更有效的方法:
import pandas as pd
s = pd.Series(['abc,def,ghi','ghi,abc'])
s = pd.concat([s]*10000).reset_index(drop=True)
In [17]: %timeit pd.Series(s.str.split(',').sum()).value_counts()
1 loops, best of 3: 3.1 s per loop
In [18]: %timeit s.str.split(',', expand=True).stack().value_counts()
10 loops, best of 3: 46.2 ms per loop
In [19]: %timeit pd.DataFrame([ x.split(',') for x in s.tolist() ]).stack().value_counts()
10 loops, best of 3: 22.2 ms per loop
In [20]: %timeit pd.Series([item for sublist in [ x.split(',') for x in s.tolist() ] for item in sublist]).value_counts()
100 loops, best of 3: 16.6 ms per loop