Python 根据行索引值对数据帧列中的值求和

我有一个NxN数据帧。每一行对应于作为其索引的特定url（不带“http://”）。每一列还表示url，带有布尔值，指示此页面（行索引）是否链接到该页面（列名）。URL在索引和列中是相同的

In [1]: import pandas as pd

In [2]: from pandas import DataFrame

In [3]:  df = DataFrame({'domain1.com/url1':[True,False,False,True,False],'domain2.com/url2':[False,True,False,True,True],'domain1.com/url3':[False,False,False,True,False],'domain3.com/url4':[False,True,False,True,False],'domain2.com/url5':[False,True,False,True,True]}, index=['domain1.com/url1','domain2.com/url2','domain1.com/url3','domain3.com/url4','domain2.com/url5'])

In [4]: df
Out[4]: 
                 domain1.com/url1 domain1.com/url3 domain2.com/url2  \
domain1.com/url1             True            False            False   
domain2.com/url2            False            False             True   
domain1.com/url3            False            False            False   
domain3.com/url4             True             True             True   
domain2.com/url5            False            False             True   

                 domain2.com/url5 domain3.com/url4  
domain1.com/url1            False            False  
domain2.com/url2             True             True  
domain1.com/url3            False            False  
domain3.com/url4             True             True  
domain2.com/url5             True            False  

例如，现在我可以计算每个url的传入和传出链接：

In [5]: in_links_count = df.sum(axis=0)

In [6]: in_links_count
Out[6]: 
domain1.com/url1    2
domain1.com/url3    1
domain2.com/url2    3
domain2.com/url5    3
domain3.com/url4    2
dtype: int64

In [7]: out_links_count = df.sum(axis=1)

In [8]: out_links_count
Out[8]: 
domain1.com/url1    1
domain2.com/url2    3
domain1.com/url3    0
domain3.com/url4    5
domain2.com/url5    2
dtype: int64

---

到目前为止还不错。但如果我只想计算其他域的传入和传出链接，该怎么办？我想我需要以某种方式逐行过滤列。我尝试了诸如转置数据帧（以便排除列）和过滤之类的方法，但失败了：

In [9]: df_t = df.T

In [10]: df_t[ filter(lambda x: x.split('/')[0] != df_t.index.map(lambda x: x.split('/')[0]), list(df_t)) ].sum(axis=0)
---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-10-279439127551> in <module>()
----> 1 df_t[ filter(lambda x: x.split('/')[0] != df_t.index.map(lambda x: x.split('/')[0]), list(df_t)) ].sum(axis=0)

ValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.all()

[9]中的

df\u t=df.t
在[10]：df_t[filter（lambda x:x.split（'/'）[0]！=df_t.index.map（lambda x:x.split（'/'）[0]），list（df_t））]和（axis=0）
---------------------------------------------------------------------------
ValueError回溯（最近一次调用上次）
在（）
---->1 df_t[filter（lambda x:x.split（'/'）[0]！=df_t.index.map（lambda x:x.split（'/'）[0]），list（df_t））]和（axis=0）
ValueError：包含多个元素的数组的真值不明确。使用a.any（）或a.all（）

有什么想法吗，伙计们

UPD：

---

@piRSquared提供了一种解决方案，通过层次索引（stack（）、index.to_series（）、轴之间的差异、缺失数据的“假”值生成第二个数据帧（见下文）；这在中等大小的数据中工作良好。然而，对于一个大的NxN数据帧（1000x1000），这肯定是一种过分的杀伤力。是否还有其他方法，或许可以利用就地筛选/映射？

创建一系列索引/列对。过滤掉那些相同的域，并用

False

重新填充。然后将axis1和添加到axis0和

def domain(x):
    return x.str.extract(r'([^/]+)', expand=False)

dfi = df.stack().index.to_series().apply(lambda x: pd.Series(x, ['u1', 'u2']))
keep = domain(dfi.u1) != domain(dfi.u2)
df1 = df.stack().ix[keep].unstack().fillna(False)

df1.sum(0) + df1.sum(1)

domain1.com/url1    1
domain1.com/url3    1
domain2.com/url2    2
domain2.com/url5    1
domain3.com/url4    5
dtype: int64

---

不太喜欢熊猫，但还是。。。可以迭代元素

In [40]: def same_domain(url1, url2):
    return url1.split('/')[0] == url2.split('/')[0]


In [41]: def clear_inner_links(df):
for r in df.index:
    for c in df.columns:
        if(same_domain(r,c)):
            df.loc[r,c] = False
return df

那就

df1.sum(0)
df1.sum(1)

基准：

In [35]: new_df.shape
Out[35]: (500, 500)

In [36]: %timeit clear_inner_links(new_df)
1 loop, best of 3: 956 ms per loop

更多方式：

In [102]: def same_domain(url1, url2):
   .....:         return url1.split('/')[0] == url2.split('/')[0]
   .....: 

In [103]: def apply_criterion(s):
   .....:         s[s.index.map(lambda x: same_domain(x,s.name))] = False
   .....:     

In [104]: def clear_inner_links2(df):
   .....:         df.apply(apply_criterion, axis=0)
   .....:         return df
   .....: 

In [105]: new_df.shape
Out[105]: (500, 500)

In [106]: %timeit clear_inner_links2(new_df)
1 loop, best of 3: 929 ms per loop

---

对于1000多个数据帧，第二种解决方案的性能比第一种（或piRSquared的约慢50倍）要好。

但如果我只想计算其他域的传入和传出链接，该怎么办你能简要介绍一下这一点吗？我的意思是指向不同于url域的域的链接。感谢你提供一个好的、清晰的想法！您使用的是什么版本的pandas-i'm Get extract（）有一个意外的关键字参数“expand”和AttributeError:“Series”对象在0.170.18.1中没有属性“extract”。去掉那个论点。我这样说是因为如果我不这样做，我会得到警告。你不需要它。在家里用一个大的DF尝试它，不幸的是，STACK（）。