Question

我在pandas中有数据框：

In [10]: df
Out[10]:
    col_a    col_b  col_c  col_d
0  France    Paris      3      4
1      UK    Londo      4      5
2      US  Chicago      5      6
3      UK  Bristol      3      3
4      US    Paris      8      9
5      US   London     44      4
6      US  Chicago     12      4

我需要统计独特的城市。我可以数独特的状态

In [11]: df['col_a'].nunique()
Out[11]: 3

我可以尝试计算独特的城市

In [12]: df['col_b'].nunique()
Out[12]: 5

但这是错误的，因为法国的美国巴黎和巴黎是不同的城市。所以现在我这样做：

In [13]: df['col_a_b'] = df['col_a'] + ' - ' + df['col_b']

In [14]: df
Out[14]:
    col_a    col_b  col_c  col_d         col_a_b
0  France    Paris      3      4  France - Paris
1      UK    Londo      4      5      UK - Londo
2      US  Chicago      5      6    US - Chicago
3      UK  Bristol      3      3    UK - Bristol
4      US    Paris      8      9      US - Paris
5      US   London     44      4     US - London
6      US  Chicago     12      4    US - Chicago

In [15]: df['col_a_b'].nunique()
Out[15]: 6

也许有更好的方法？无需创建其他列。

Answer 1

使用ngroups

df.groupby(['col_a', 'col_b']).ngroups
Out[101]: 6

或使用set

len(set(zip(df['col_a'],df['col_b'])))
Out[106]: 6

Answer 2

您可以选择 col_a 和 col_b ，删除重复项，然后检查结果数据框的 shape / len ：

FancyFoo

因为df[['col_a', 'col_b']].drop_duplicates().shape[0] # 6 len(df[['col_a', 'col_b']].drop_duplicates()) # 6忽略了groupby，并且可能会不必要地调用排序过程，所以如果列中有NaN，请相应选择使用哪种方法：

考虑如下数据框：

NaN

时序：

df = pd.DataFrame({
    'col_a': [1,2,2,pd.np.nan,1,4],
    'col_b': [2,2,3,pd.np.nan,2,pd.np.nan]
})

print(df)

#   col_a  col_b
#0    1.0    2.0
#1    2.0    2.0
#2    2.0    3.0
#3    NaN    NaN
#4    1.0    2.0
#5    4.0    NaN

结果：

df = pd.concat([df] * 1000)

%timeit df.groupby(['col_a', 'col_b']).ngroups
# 1000 loops, best of 3: 625 µs per loop

%timeit len(df[['col_a', 'col_b']].drop_duplicates())
# 1000 loops, best of 3: 1.02 ms per loop

%timeit df[['col_a', 'col_b']].drop_duplicates().shape[0]
# 1000 loops, best of 3: 1.01 ms per loop    

%timeit len(set(zip(df['col_a'],df['col_b'])))
# 10 loops, best of 3: 56 ms per loop

%timeit len(df.groupby(['col_a', 'col_b']))
# 1 loop, best of 3: 260 ms per loop

所以差异：

选项1：

df.groupby(['col_a', 'col_b']).ngroups
# 3

len(df[['col_a', 'col_b']].drop_duplicates())
# 5

df[['col_a', 'col_b']].drop_duplicates().shape[0]
# 5

len(set(zip(df['col_a'],df['col_b'])))
# 2003

len(df.groupby(['col_a', 'col_b']))
# 2003

很快，它排除了包含df.groupby(['col_a', 'col_b']).ngroups s。

的行

选项2＆amp; 3：

NaN

合理地快，它将len(df[['col_a', 'col_b']].drop_duplicates()) df[['col_a', 'col_b']].drop_duplicates().shape[0] s视为唯一值。

选项4＆amp; 5：

NaN

很慢，并且它遵循len(set(zip(df['col_a'],df['col_b']))) len(df.groupby(['col_a', 'col_b']))为假的逻辑，因此不同的（nan，nan）行被认为是不同的。

Answer 3

In [105]: len(df.groupby(['col_a', 'col_b']))
Out[105]: 6

Answer 4

试试这个，我基本上从df中的行数中减去重复组的数量。这假设我们正在对df中的所有类别进行分组

if let

var theError = nil if let error = myError { // because you hard coded the value of error to be "None" return nil instead // else return the actual value of the error if error == "None" { return theError } else { theError = error print("error has a value! ", error.localizedDescription) } } else { print("There is no error") } return theError // returns nil instead of "None" or it returns a real error

Answer 5

import pandas as pd
data = {'field1':[1,4,1,68,9],'field2':[1,1,4,5,9]}
df = pd.DataFrame(data)
results = df.groupby('field1')['field2'].nunique()
results

输出：

field1
1     2
4     1
9     1
68    1
Name: field2, dtype: int64

如何通过pandas中的两列计算唯一记录？

5 个答案: