熊猫数据框列匹配和分组依据

Question

我有两个数据框，分别是A和B：

A = [1,2,3,2,1,3]
B = [1,3,3,1,1,3]

我想将数据帧A的每个值与B匹配并计算匹配的值，例如在同一行中共有2行，其中值1，在同一行中有0行，值2在同一行中，在2行中，值3在同一行中行。

I want output as below:
Value - > Count
1 -> 2
2 -> 0
3 -> 2

我尝试了以下代码，但是对于匹配的行，它只显示true和false。

print(A.isin(B))
Output:
True
False
True
False
True
True

我厌倦了使用.count（）和.value_count（），但无法获得期望的值。有人教我怎么做。

Answer 1

尝试使用==条件的boolean indexing，然后使用value_counts，reindex和to_dict：

A = pd.DataFrame([1,2,3,2,1,3])
B = pd.DataFrame([1,3,3,1,1,3])

d = A[A == B][0].value_counts().reindex(A[0].unique(), fill_value=0).to_dict()
print(d)

[出]

{1: 2, 2: 0, 3: 2}

Answer 2

使用：

df1 = pd.DataFrame({'A': [1, 2, 3, 2, 1, 3]})
df2 = pd.DataFrame({'B': [1, 3, 3, 1, 1, 3]})

result = (
    df1.assign(Count=df1['A'].eq(df2['B']))
    .groupby('A')['Count'].sum().astype(int)
    .reset_index().rename(columns={'A': "Value"})
)

print(result)

执行完代码后，result将是：

   Value  Count
0      1      2
1      2      0
2      3      2

Answer 3

数据

df=pd.DataFrame({'A':[1,2,3,2,1,3]})
df1=pd.DataFrame({'B':[1,3,3,1,1,3]})

使用groupby，sort_value进行解析，并删除每个组中保持最高价值的重复项

 df['count']=df[df.A.isin(df1.B)].groupby('A')['A'].transform('count')
 df2=df.sort_values(by='count', ascending=True).drop_duplicates(subset='A', keep="last").fillna(0)
 #df2['count']=df2['count'].sort_values(ascending=True).astype(int)