通过遍历熊猫列创建边缘列表

Question

给出以下数据框：

User_ID Retweet_UserID
001     005
001     002
001     003
001     002
002     007
002     001
003     002

User_ID是用户标识号，Retweet_UserID是创作原始tweet的用户的User_ID。我需要在User_ID列中的用户之间创建转发网络（边缘列表）。我的意思是，我只关心转发是否在User_ID列中的两个User_ID之间。例如，用户001和用户005之间的转发对我而言并不重要，因为用户005不在User_ID列中的用户之中。因此边缘列表应如下所示：

Source  Target   Weight 
001     002      2
001     003      1
002     001      1
003     002      1

因此，基本上，我想要两件事：删除任何Target中没有Source的条目，然后您想拥有元组(Source, Target)的次数。我的数据框是如此之大，我正在寻找一种熊猫方法来快速做到这一点。

Answer 1

首先，您需要过滤（如Brad Solomon所指出的那样）：

java.lang.ClassCastException: java.io.SequenceInputStream cannot be cast to java.lang.String

现在，您需要执行filtered = df[df['Retweet_UserID'].isin(df['User_ID'].unique())] 和groupby才能获得成对的人之间的转发总数：

size

然后result = filtered.rename(columns={'User_ID': 'Source', 'Retweet_UserID': 'Target'}) \ .groupby(['Source', 'Target']) \ .size() \ .reset_index(name='Weight') 是（根据您的示例）：

result

Answer 2

您似乎要根据Retweet_UserID是否落入User_ID的唯一ID集中来过滤行：

>>> unique = df.User_ID.unique()
>>> filt = df[df.Retweet_UserID.isin(unique)]
>>> filt
   User_ID  Retweet_UserID
1        1               2
2        1               3
4        2               1
5        3               2

如果您要创建新的指标列：

>>> import numpy as np

>>> df['Weight'] = np.where(df.Retweet_UserID.isin(unique), 1, 0)
>>> df
   User_ID  Retweet_UserID  Weight
0        1               5       0
1        1               2       1
2        1               3       1
3        2               7       0
4        2               1       1
5        3               2       1