Question

这是我的数据框：

df= pd.DataFrame(
{"mat" : ['A' ,'A', 'A', 'A', 'B'],
 "ppl" : ['P', 'P', 'P', '',  'P'],
 "ia1" : ['',  'X', 'X', '',  'X'],
 "ia2" : ['X', '',  '',  'X', 'X']},
index = [1, 2, 3, 4, 5])

我想在两个第一列上选择唯一值。我这样做：

df2 = df.loc[:,['mat','ppl']].drop_duplicates(subset=['mat','ppl']).sort_values(by=['mat','ppl'])

我得到了，正如所料：

  mat ppl
4   A    
1   A   P
5   B   P

我现在想要的是，df3是：

 mat ppl ia1 ia2
   A           X
   A   P   X   X
   B   P   X   X

那就是：在df3对于行A + P，在列ia1中，我得到了一个X，因为在df的行之一的列ia1中有一个X，对于A + P

Answer 1

使用aggregate和unique的解决方案，如果有多个唯一值与,结合使用：

df = df.groupby(['mat','ppl']).agg(lambda x: ','.join(x[x != ''].unique())).reset_index()
print (df)
  mat ppl ia1 ia2
0   A           X
1   A   P   X   X
2   B   P   X   X

说明：

聚合正在使用Series和聚合函数，其中输出是标量。我使用自定义函数，首先通过布尔索引(x[x != '']过滤掉空格，然后获取唯一值。对于标量输出使用join - 如果空系列（所有值都是空字符串）则有效;第二个优点是如果多个唯一值与,得到一个连接值。

对于测试，可以使用与lambda函数相同的自定义函数：

def f(x):
    a = ''.join(x[x != ''].unique().tolist())
    return a

df = df.groupby(['mat','ppl']).agg(f).reset_index()
print (df)
  mat ppl ia1 ia2
0   A           X
1   A   P   X   X
2   B   P   X   X

正如OP的评论所述：

而不是使用lambda x：'，'。join（x [x！=''] .unique（）），我使用了lambda x：'，'。join（set（x）-set（['' ]））。我从13分5秒到43.2秒

Pandas数据帧：如何汇总包含值的列

1 个答案: