保留数据框中的行，对于某些列的值的所有组合，在另一列中包含相同的元素
Posted
技术标签:
【中文标题】保留数据框中的行，对于某些列的值的所有组合，在另一列中包含相同的元素【英文标题】：Keep rows in data frame that, for all combinations of the values of certain columns, contain the same elements in another column 【发布时间】：2021-04-18 19:05:29 【问题描述】：df = pd.DataFrame('a':['x','x','x','x','x','y','y','y','y','y'],'b':['z','z','z','w','w','z','z','w','w','w'],'c':['c1','c2','c3','c1','c3','c1','c3','c1','c2','c3'],'d':range(1,11))
a b c d
0 x z c1 1
1 x z c2 2
2 x z c3 3
3 x w c1 4
4 x w c3 5
5 y z c1 6
6 y z c3 7
7 y w c1 8
8 y w c2 9
9 y w c3 10
对于a 和b 的所有组合，如何只保留c 中包含相同值的行？或者换句话说，如何排除具有c 值的行，这些行只存在于a 和b 的某些组合中？
例如，a 和 b ([x,z],[x,w],[y,z],[y,w]) 的所有组合中仅存在 c1 和 c3，因此输出将是
a b c d
0 x z c1 1
2 x z c3 3
3 x w c1 4
4 x w c3 5
5 y z c1 6
6 y z c3 7
7 y w c1 8
9 y w c3 10
【问题讨论】：
【参考方案1】：这是一种方法。获取每个组的唯一列表，然后使用 reduce 和 np.intersect1d 检查所有返回数组中的公共元素。然后使用series.isin和boolean indexing过滤数据框
from functools import reduce
out = df[df['c'].isin(reduce(np.intersect1d,df.groupby(['a','b'])['c'].unique()))]
细分：
s = df.groupby(['a','b'])['c'].unique()
common_elements = reduce(np.intersect1d,s)
#Returns :-> array(['c1', 'c3'], dtype=object)
out = df[df['c'].isin(common_elements )]#.copy()
a b c d
0 x z c1 1
2 x z c3 3
3 x w c1 4
4 x w c3 5
5 y z c1 6
6 y z c3 7
7 y w c1 8
9 y w c3 10
【讨论】：
【参考方案2】：让我们尝试 groupby 和 nunique 来计算每列 c 组的唯一元素数：
s = df['a'] + ',' + df['b'] # combination of a, b
m = s.groupby(df['c']).transform('nunique').eq(s.nunique())
df[m]
a b c d
0 x z c1 1
2 x z c3 3
3 x w c1 4
4 x w c3 5
5 y z c1 6
6 y z c3 7
7 y w c1 8
9 y w c3 10
【讨论】：
add 并不安全，它会将('aa', 'b') 与('a', 'ab') 混淆
@QuangHoang 是的。使用 df['a'] + ',' + df['b'] 之类的分隔符怎么样
这将对字段内的, 敏感。最好使用tuple。
@QuangHoang 这是非常极端的情况，我认为在这种情况下使用更复杂的分隔符也应该可以正常工作。【参考方案3】：
尝试一些差异crosstab
s = pd.crosstab([df['a'],df['b']],df.c).all()
out = df.loc[df.c.isin(s.index[s])]
Out[34]:
a b c d
0 x z c1 1
2 x z c3 3
3 x w c1 4
4 x w c3 5
5 y z c1 6
6 y z c3 7
7 y w c1 8
9 y w c3 10
【讨论】：
【参考方案4】：让我们尝试旋转表格，然后删除NA，这意味着组合中缺少一个值：
all_data =(df.pivot(index=['a','b'], columns='c', values='c')
.loc[:, lambda x: x.notna().all()]
.columns)
df[df['c'].isin(all_data)]
输出：
a b c d
0 x z c1 1
2 x z c3 3
3 x w c1 4
4 x w c3 5
5 y z c1 6
6 y z c3 7
7 y w c1 8
9 y w c3 10
【讨论】：
@anky 可能枢轴不允许相同的column 和values。将values='d' 和aggfunc='size' 与pivot_table 一起使用。【参考方案5】：
我们可以使用groupby + size，然后使用unstack，这将填充NaN，用于缺少“c”组的['a'，'b']组。然后我们 dropna 并将原始 DataFrame 子集为在 dropna 中幸存的 c 值。
df[df.c.isin(df.groupby(['a', 'b', 'c']).size().unstack(-1).dropna(axis=1).columns)]
a b c d
0 x z c1 1
2 x z c3 3
3 x w c1 4
4 x w c3 5
5 y z c1 6
6 y z c3 7
7 y w c1 8
9 y w c3 10
groupby 操作的结果仅包含 c 组的列，这些列存在于 ['a', 'b'] 的所有唯一组合中，因此我们只获取 columns 属性。
df.groupby(['a', 'b', 'c']).size().unstack(-1).dropna(axis=1)
#c c1 c3
#a b
#x w 1.0 1.0
# z 1.0 1.0
#y w 1.0 1.0
# z 1.0 1.0
【讨论】：
【参考方案6】：您可以将列表推导与 str.contains 一起使用：
unq = [[x, len(df[(df[['a','b','c']].agg(','.join, axis=1)).str.contains(',' + x)]
.drop_duplicates())] for x in df['c'].unique()]
keep = [lst[0] for lst in unq if lst[1] == max([lst[1] for lst in unq])]
df = df[df['c'].isin(keep)]
df
a b c d
0 x z c1 1
2 x z c3 3
3 x w c1 4
4 x w c3 5
5 y z c1 6
6 y z c3 7
7 y w c1 8
9 y w c3 10
【讨论】：
【参考方案7】：如果您做出以下假设，这可以为您提供要保留 c 列的哪些元素：
df.groupby("c")["a"].count() == df.groupby("c")["a"].count().max()
输出：
c
c1 True
c2 False
c3 True
Name: a, dtype: bool
假设：
-
没有重复
c 列至少有一个值包含 a 和 b 的所有组合。
【讨论】：
【参考方案8】：您可以使用value_counts 并获得a 和b 的所有组合：
vc = df[['a', 'b']].drop_duplicates().value_counts()
结果：
a b
y z 1
w 1
x z 1
w 1
然后您可以将每个组的计数与缺少组合的vc 和filter 组进行比较：
df.groupby('c').filter(lambda x: x[['a', 'b']].value_counts().ge(vc).all())
输出：
a b c d
0 x z c1 1
2 x z c3 3
3 x w c1 4
4 x w c3 5
5 y z c1 6
6 y z c3 7
7 y w c1 8
9 y w c3 10
【讨论】：
【参考方案9】：假设根据示例有 4 个不同的值：
一个简单的解决方案可以是：
df[df['a'].groupby(df['c']).transform('count').eq(4)]
【讨论】：
以上是关于保留数据框中的行，对于某些列的值的所有组合，在另一列中包含相同的元素的主要内容，如果未能解决你的问题，请参考以下文章