来自两列的熊猫数据框类别代码

Posted 2023-03-11

【中文标题】来自两列的熊猫数据框类别代码

【英文标题】：pandas dataframe category codes from two columns

【发布时间】：2018-06-27 12:42:03

【问题描述】：

我有一个 pandas 数据框，其中两列对应于人名。列是相关的，相同的名称表示同一个人。我想分配类别代码，使其对整个“名称”空间都有效。

例如我的数据框是

df = pd.DataFrame("P1":["a","b","c","a"], "P2":["b","c","d","c"])

>>> df
  P1 P2
0  a  b
1  b  c
2  c  d
3  a  c

我希望将其替换为相应的类别代码，这样

>>> df
   P1  P2
0   1   2
1   2   3
2   3   4
3   1   3

类别实际上是从串联数组 ["a","b","c","d"] 派生的，并分别应用于各个列。我怎样才能做到这一点？。

【参考方案1】：

用途：

print (df.stack().rank(method='dense').astype(int).unstack())
   P1  P2
0   1   2
1   2   3
2   3   4
3   1   3

编辑：

对于更通用的解决方案，我使用了另一个答案，因为索引中的重复问题：

df = pd.DataFrame("P1":["a","b","c","a"],
                   "P2":["b","c","d","c"],
                   "A":[3,4,5,6], index=[2,2,3,3])

print (df)
   A P1 P2
2  3  a  b
2  4  b  c
3  5  c  d
3  6  a  c

cols = ['P1','P2']
df[cols] = (pd.factorize(df[cols].values.ravel())[0]+1).reshape(-1, len(cols))
print (df)
   A  P1  P2
2  3   1   2
2  4   2   3
3  5   3   4
3  6   1   3

【讨论】：

如果我还有其他列，其中包含其他信息怎么办？我可以堆叠和取消堆叠特定的列吗？

我认为是的，但这主要取决于数据

当我给 df.stack(['P3','P7']) 堆叠第 3 列和第 7 列时，我收到错误“ValueError：级别应包含所有级别名称或所有级别编号，而不是两者的混合。”

我测试了一下，需要cols = df.columns.difference(['P1','P2']).tolist() df = df.set_index(cols).stack().rank(method='dense').astype(int).unstack().reset_index().reindex(columns=df.columns)

它给了我，ValueError：索引包含重复的条目，无法重塑

【参考方案2】：

你可以的

In [465]: pd.DataFrame((pd.factorize(df.values.ravel())[0]+1).reshape(df.shape), 
                       columns=df.columns)
Out[465]:
   P1  P2
0   1   2
1   2   3
2   3   4
3   1   3