我有一组由一组邮政编码索引的数据。我想根据与另一组地理特征的接近程度来汇总这些数据,比如说,到附近湖泊的距离。
它足够简单,比如说,在一个数据帧中循环遍历每个湖泊,并应用一个半字函数来返回50英里内的所有邮政编码。或相反亦然;我可以轻松遍历所有邮政编码,并返回每个邮政编码50英里范围内的湖泊列表。
但我想更高效地做到这一点。如果每个邮政编号仅对应一个湖泊,比如说最接近,那么执行此操作的简单方法是创建新的"lake"
列,然后应用groupby("lake")
来接收已装箱的数据以进行处理。
我想要的是一种在group by之前自动复制行的技术。说我有以下数据:
lake
zip
10001 Huron
10002 Huron, Erie
10003 Erie, Superior
我想致电groupby
返回以下内容:
group 'Huron'
zip
10001
10002
group 'Erie'
zip
10002
10003
group 'Superior'
zip
10003
基本上,有没有什么好方法可以做到这一点,或者你是否坚持使用脏循环索引方法?
答案 0 :(得分:2)
选项1
str.split
expand=True
,stack
+ groupby
。这会返回组。
g = df.lake.str.split(',\s*', expand=True).stack()\
.to_frame(name='lake').reset_index(level=1, drop=1).groupby('lake')
for i, k in g:
print(k, '\n')
lake
zip
10002 Erie
10003 Erie
lake
zip
10001 Huron
10002 Huron
lake
zip
10003 Superior
选项2
str.get_dummies
,我的首选方法。这不会将您的结果返回到组中,但get_dummies
会隐式创建可以转换为分组的OHE。
g = df.lake.str.get_dummies(sep=r', ')
for c in g.columns:
print('{}: {}'.format(c, g[c][g[c] > 0].index.tolist()))
Erie: [10002, 10003]
Huron: [10001, 10002]
Superior: [10003]