如何计算每列中唯一的重复值

Posted 2023-03-29

【中文标题】如何计算每列中唯一的重复值

【英文标题】：How to count the unique duplicate values in each column

【发布时间】：2021-11-12 22:38:16

【问题描述】：

我们有以下数据框，

df = pd.DataFrame(data = 'A': [1,2,3,3,2,4,5,3],
                     'B': [9,6,7,9,2,5,3,3],
                     'C': [4,4,4,5,9,3,2,1])
df

我想创建一个新的数据框，其中每个列名都会显示重复的数量。

例如。 'B'，有两个重复的值（9 和 3），我想打印 2 等

【问题讨论】：

仅供参考：彻底回答问题非常耗时。如果您的问题已解决，请通过接受最适合您的需求的解决方案表示感谢。✔ 位于答案左上角的 ▲/▼ 箭头下方。如果出现更好的解决方案，则可以接受新的解决方案。如果您的声望超过 15，您也可以使用 ▲/▼ 箭头对答案的有用性进行投票。 如果解决方案无法回答问题，请发表评论。 What should I do when someone answers my question?。谢谢。

【参考方案1】：

选项 1

如果我们需要计算重复值的个数

import pandas as pd

df = pd.DataFrame(data = 'A': [1,2,3,3,2,4,5,3],
                     'B': [9,6,7,9,2,5,3,3],
                     'C': [4,4,4,5,9,3,2,1])

df1 = df.apply(lambda x:sum(x.duplicated()))
print(df1)

打印：

A    3
B    2
C    2
dtype: int64

选项 2

如果我们需要计算重复值的数量

df1 = df.agg(lambda x: sum(x.value_counts() > 1)) # or df1 = df.apply(lambda x: sum(x.value_counts() > 1))
print(df1)

打印：

A    2
B    2
C    1
dtype: int64

选项 2.1

详细

df1 = df.apply(lambda x: ' '.join([f'[val = i, cnt = v]' for i, v in x.value_counts().iteritems() if v > 1]))
print(df1)

打印：

A    [val = 3, cnt = 3] [val = 2, cnt = 2]
B    [val = 9, cnt = 2] [val = 3, cnt = 2]
C                       [val = 4, cnt = 3]
dtype: object

【讨论】：

感谢两位的贡献！第二个选项是我正在寻找的。​​span>

【参考方案2】：

如果您希望每个元素重复计数，您可以使用：

import pandas as pd
from collections import Counter

df = pd.DataFrame(data = 'A': [1,2,3,3,2,4,5,3],
                     'B': [9,6,7,9,2,5,3,3],
                     'C': [4,4,4,5,9,3,2,1])
def cnt(x):
    return k:v for k,v in x.items() if v>1
        

df.apply(lambda x : cnt(Counter(x)))

输出：

A    2: 2, 3: 3
B    9: 2, 3: 2
C          4: 3
dtype: object

【参考方案3】：

这可以通过获取每列的pandas.Series.value_counts，然后获取值计数大于1的pandas.Series.sum来完成 vc[vc.gt(1)] 创建一个 pandas.Series ，其计数对于列中的每个值都大于 1。 我们可以从%%timeit比较5列1M行，.apply矢量化方法，以及for-loop和dict-comprehension，比使用内置python的.apply更快sum(...)。

.apply 与 .value_counts 和 .sum

col.value_counts().gt(1) 创建一个 Boolean 系列 True 的计算结果为 1，False 的计算结果为 0，因此 .sum() 产生正确的结果。

dupe_count = df.agg(lambda col: col.value_counts().gt(1).sum())

A    2
B    2
C    1
dtype: int64

for-loop

通常不建议迭代数据帧，尤其是逐行。但是，我们正在遍历列，然后应用向量化函数，这与 .apply 发生的情况相同。

def col_vc(df):
    dupe_count = dict()
    for col in df.columns:
        dupe_count[col] = df[col].value_counts().gt(1).sum()
    return dupe_count


col_vc(df)

[result]:
'A': 2, 'B': 2, 'C': 1

等效单行dict-comprehension

dupe_count = col: df[col].value_counts().gt(1).sum() for col in df.columns

[result]:
'A': 2, 'B': 2, 'C': 1

# to a dataframe if desired
dupe_count = pd.DataFrame.from_dict(dupe_count, orient='index')

   0
A  2
B  2
C  1

%%timeit比较

import pandas as pd
import numpy as np

# sample data 5 columns by 1M rows
np.random.seed(365)
rows = 1000000
data = 'a': np.random.randint(0, 10000, size=(rows)),
        'b': np.random.randint(15, 25000, size=(rows)),
        'c': np.random.randint(30, 40000, size=(rows)),
        'd': np.random.randint(450, 550000, size=(rows)),
        'e': np.random.randint(6000, 70000, size=(rows))
df = pd.DataFrame(data)

.apply 与 .value_counts 和 .sum

%%timeit
df.agg(lambda x: x.value_counts().gt(1).sum())
[out]:
112 ms ± 1.67 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

dict-comprehension

%%timeit
col: df[col].value_counts().gt(1).sum() for col in df.columns
[out]:
111 ms ± 983 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

for-loop

%%timeit
col_vc(df)
[out]:
115 ms ± 4.11 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

.apply 与 sum()

%%timeit
df.agg(lambda x: sum(x.value_counts() > 1))
[out]:
194 ms ± 17.7 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

【参考方案4】：

您可以使用collections.Counter 和itertools.takewhile：

from collections import Counter
from itertools import takewhile
df.apply(lambda c: len(list(takewhile(lambda x: x[1]>1, Counter(c).most_common()))))

输出：

A    2
B    2
C    1

如果要将输出作为数据框，请添加.to_frame(name='n_duplicates')： 输出：

   n_duplicates
A             2
B             2
C             1

工作原理

对于每一列，Counter 获取每个元素的计数，most_common 首先返回最常见的元素。

takewhile 迭代此输入并在有一个元素低于阈值（此处为 1）时立即停止。

最后，我们得到这个输出的长度，它对应于重复组的数量。