Question

假设我有一个两列数据框，其中第一列是会议的ID，第二列是该会议中一个参与者的ID。像这样：

meeting_id,person_id
meeting0,person1234
meeting0,person4321
meeting0,person5555
meeting1,person4321
meeting1,person9999
# ... ~1 million rows

我想找到每个人的前15名共同参与者。例如：我想知道最常有15个人参加与布拉德的会议。

作为中间步骤，我编写了一个脚本，该脚本采用原始数据框并制作了人对人的数据框，如下所示：

person1234,person4321
person1234,person5555
person4321,person5555
person4321,person9999
...

但是我不确定此中间步骤是否必要。另外，它要花很多时间才能运行（据我估计，这需要数周的时间！）。这是怪兽：

import pandas as pd

links = []
lic = pd.read_csv('meetings.csv', sep = ';', names = ['meeting_id', 'person_id'], dtype = {'meeting_id': str, 'person_id': str})
grouped = lic.groupby('person_id')
for i, group in enumerate(grouped):
    print(i, 'of', len(grouped))
    person_id = group[0].strip()
    if len(person_id) == 14:
        meetings = set(group[1]['meeting_id'])
        for meeting in meetings:
            lic_sub = lic[lic['meeting_id'] == meeting]
            people = set(lic_sub['person_id'])
            for person in people:
                if person != person_id:
                    tup = (person_id, person)
                    links.append(tup)

df = pd.DataFrame(links)
df.to_csv('links.csv', index = False)

有什么想法吗？

Answer 1

所以这是使用合并然后对列进行排序的一种方法

s=df.merge(df,on='meeting_id')
s[['person_id_x','person_id_y']]=np.sort(s[['person_id_x','person_id_y']].values,1)
s=s.query('person_id_x!=person_id_y').drop_duplicates()

s
   meeting_id person_id_x person_id_y
1    meeting0  person1234  person4321
2    meeting0  person1234  person5555
5    meeting0  person4321  person5555
10   meeting1  person4321  person9999

在数据框中找到最频繁的对

1 个答案: