Question

我想计算每组中不同元组的数量：

df = pd.DataFrame({'a': ['A', 'A', 'A', 'A', 'B', 'B', 'B', 'B'],
              'b': [1, 2, 1, 2, 1, 2, 1, 2],
              'c': [1, 1, 2, 2, 2, 1, 2, 1]})
counts = count_distinct(df, by='a', columns=['b', 'c'])
assert counts == pd.Series([4, 2], index=['A', 'B'])

换句话说，计数应报告对于组＆＃39; A＆＃39;，有四个不同的元组，对于组＆＃39; B＆＃39;，有两个。

我尝试使用df.groupby('a')['b', 'c'].nunique()，但nunique仅适用于一列。

我知道我可以通过df.groupby计算不同的元组（[＆＃39; b＆＃39;，＆＃39; c＆＃39;]），但这意味着我使用了慢速apply一个纯python函数（列的组数＆＃39; a＆＃39;很大）。

我可以转换＆＃39; b＆＃39;和＆＃39; c＆＃39;将列放入单个元组列中，但这样会超级慢，因为它将不再使用向量化操作。

Answer 1

我认为您的逻辑相当于在删除组合列a，a和b的重复值后，计算按列c分组的数据框的大小，因为每个组中的重复元组也必须是数据框中的重复记录，假设您的数据框仅包含a，b和c列，反之亦然：

df.drop_duplicates().groupby('a').size()

# a
# A    4
# B    2
# dtype: int64

组内的COUNT DISTINCT / nunique

1 个答案: