Question

给出SFrame的矩阵：

>>> from sframe import SFrame
>>> sf =SFrame({'x':[1,1,2,5,7], 'y':[2,4,6,8,2], 'z':[2,5,8,6,2]})
>>> sf
Columns:
    x   int
    y   int
    z   int

Rows: 5

Data:
+---+---+---+
| x | y | z |
+---+---+---+
| 1 | 2 | 2 |
| 1 | 4 | 5 |
| 2 | 6 | 8 |
| 5 | 8 | 6 |
| 7 | 2 | 2 |
+---+---+---+
[5 rows x 3 columns]

我想获取x和y列的唯一值，我可以这样做：

>>> sf['x'].unique().append(sf['y'].unique()).unique()
dtype: int
Rows: 7
[2, 8, 5, 4, 1, 7, 6]

这样我得到x的唯一值和y的唯一值，然后追加它们并获得附加列表的唯一值。

我也可以这样做：

>>> sf['x'].append(sf['y']).unique()
dtype: int
Rows: 7
[2, 8, 5, 4, 1, 7, 6]

但是这样，如果我的x和y列很大并且有很多重复，我会在获得唯一的之前将它附加到一个非常大的容器中。

是否有更有效的方法来获取从SFrame中的2个或更多列创建的组合列的唯一值？

pandas在pandas中从2列或更多列中获取唯一值的有效方法是什么？

Answer 1

我没有SFrame但在pd.DataFrame上测试：

  sf[["x", "y"]].stack().value_counts().index.tolist()
  [2, 1, 8, 7, 6, 5, 4]

Answer 2

我能想到的最简单的方法是转换为numpy数组然后找到唯一值

Quitting from lines 33-35 (Popularity_of_Kier.Rmd) 
Error in file(file, "rt") : cannot open the connection
Calls: <Anonymous> ... withVisible -> eval -> eval -> read.csv -> read.table -> file
Execution halted

如果您在sframe中需要它

np.unique(sf[['x', 'y']].to_numpy())

array([1, 2, 4, 5, 6, 7, 8])

Answer 3

<强> SFrame

我还没有使用过SFrame，也不知道它复制数据的条件。（选择sf['x']或append是否将数据复制到内存？）。在SFrame中有pack_columns和stack方法，如果他们不复制数据，那么这应该有效：

sf[['x', 'y']].pack_columns(new_column_name='N').stack('N').unique()

<强>熊猫

如果您的数据适合内存，那么您可以在没有额外副本的情况下有效地在熊猫中完成。

# copies the data to memory
df = sf[['x', 'y']].to_dataframe()

# a reference to the underlying numpy array (no copy)
vals = df.values

# 1d array: 
# (numpy.ravel doesn't copy if it doesn't have to - it depends on the data layout)
if np.isfortran(vals):
    vals_1d = vals.ravel(order='F')
else:
    vals_1d = vals.ravel(order='C')

uniques = pd.unique(vals_1d)

pandas的unique比numpy的np.unique效率更高，因为它没有排序。

Answer 4

看看this answer类似的问题。请注意，熊猫＆＃39; pd.unique功能比Numpy快得多。

>>> pd.unique(sf[['x','y']].values.ravel())
array([2, 8, 5, 4, 1, 7, 6], dtype=object)

Answer 5

虽然我不知道如何在SFrame中做到这一点，但对@ Merlin的答案有更长的解释：

>>> import pandas as pd
>>> df = pd.DataFrame({'x':[1,1,2,5,7], 'y':[2,4,6,8,2], 'z':[2,5,8,6,2]})
>>> df[['x', 'y']]
   x  y
0  1  2
1  1  4
2  2  6
3  5  8
4  7  2

仅提取X和Y列

>>> df[['x', 'y']] # Extract only columns x and y
   x  y
0  1  2
1  1  4
2  2  6
3  5  8
4  7  2

将每行2列堆叠成1列行，同时仍然可以将它们作为字典访问：

>>> df[['x', 'y']].stack()                       
0  x    1
   y    2
1  x    1
   y    4
2  x    2
   y    6
3  x    5
   y    8
4  x    7
   y    2
dtype: int64
>>> df[['x', 'y']].stack()[0]      
x    1
y    2
dtype: int64
>>> df[['x', 'y']].stack()[0]['x']
1
>>> df[['x', 'y']].stack()[0]['y']
2

计算组合列中所有元素的各个值：

>>> df[['x', 'y']].stack().value_counts() # index(i.e. keys)=elements, Value=counts
2    3
1    2
8    1
7    1
6    1
5    1
4    1

访问索引并计算：

>>> df[['x', 'y']].stack().value_counts().index      
Int64Index([2, 1, 8, 7, 6, 5, 4], dtype='int64')
>>> df[['x', 'y']].stack().value_counts().values  
array([3, 2, 1, 1, 1, 1, 1])

转换为列表：

>>> sf[["x", "y"]].stack().value_counts().index.tolist()
[2, 1, 8, 7, 6, 5, 4]

还是SFrame的答案也很棒。相同的语法不适用于SFrame。

Answer 6

这里有三种可能的方法之间的基准：

from sframe import SFrame
import numpy as np
import pandas as pd
import timeit

sf = SFrame({'x': [1, 1, 2, 5, 7], 'y': [2, 4, 6, 8, 2], 'z': [2, 5, 8, 6, 2]})


def f1(sf):
    return sf['x'].unique().append(sf['y'].unique()).unique()


def f2(sf):
    return sf['x'].append(sf['y']).unique()


def f3(sf):
    return np.unique(sf[['x', 'y']].to_numpy())

N = 1000

print timeit.timeit('f1(sf)', setup='from __main__ import f1, sf', number=N)
print timeit.timeit('f2(sf)', setup='from __main__ import f2, sf', number=N)
print timeit.timeit('f3(sf)', setup='from __main__ import f3, sf', number=N)

# 13.3195129933
# 4.66225642657
# 3.65669089489
# [Finished in 23.6s]

在windows7 + i7_2.6ghz

上使用python2.7.11 x64进行基准测试

结论：我建议你使用np.unique，这基本上是 f3 。

从Dataframe中的2个或更多列获取唯一值的有效方法

6 个答案: