Python 如何检查一个数组中存在于另一个数组中的值的百分比?
我在pandas中有一个数据帧,如下所示:Python 如何检查一个数组中存在于另一个数组中的值的百分比?,python,arrays,pandas,Python,Arrays,Pandas,我在pandas中有一个数据帧,如下所示: app_id_x period app_id_y 10 [pb6uhl15, xn66n2cr, e68t39yp, s7xun0k1, wab2z... 2015-19 NaN 11 [uscm6kkb, tja4ma8u, qcwhw33w, ux5bbkjz, mmt3s... 2015-20 NaN 12 [txdbauhy, dib24pab, xt69u57g, n9e6a6ol, d9f7m... 201
app_id_x period app_id_y
10 [pb6uhl15, xn66n2cr, e68t39yp, s7xun0k1, wab2z... 2015-19 NaN
11 [uscm6kkb, tja4ma8u, qcwhw33w, ux5bbkjz, mmt3s... 2015-20 NaN
12 [txdbauhy, dib24pab, xt69u57g, n9e6a6ol, d9f7m... 2015-21 NaN
13 [21c2b5ca5e7066141b2e2aea35d7253b3b8cce11, oht... 2015-22 [g8m4lecv, uyhsx6lo, u9ue1zzo, kw06m3f5, wvqhq...
14 [64lbiaw3, jum7l6yd, a5d00f6aba8f1505ff22bc1fb... 2015-23 [608a223c57e1174fc64775dd2fd8cda387cc4a47, ze4...
15 [gcg8nc8k, jkrelo7v, g9wqigbc, n806bjdu, piqgv... 2015-24 [kz8udlea, zwqo7j8w, 6d02c9d74b662369dc6c53ccc...
16 [uc311krx, wpd7gm75, am8p0spd, q64dcnlm, idosz... 2015-25 [fgs0qhtf, awkcmpns, e0iraf3a, oht91x5j, mv4uo...
17 [wilhuu0x, b51xiu51, ezt7goqr, qj6w7jh6, pkzkv... 2015-26 [zwqo7j8w, dzdfiof5, phwoy1ea, e7hfx7mu, 40fdd...
18 [xn43bho3, uwtjxy6u, ed65xcuj, ejbgjh61, hbvzt... 2015-27 [ze4rr0vi, kw06m3f5, be532399ca86c053fb0a69d13...
我想做的是,对于每一个时段
,这是一行,检查app\u id\u y
值列表中的app\u id\u x
值的百分比,例如,如果ze4rr0vi和gm83klja在app\u id\u x
内,该行中包含53个值,然后应该有一个名为adoption\u rate
的新列,它是:
period adoption_rate
2015-9 0%
2015-22 3.56%
2015-25 4.56%
2015-26 5.10%
2015-35 4.58%
2015-36 1.23%
这个怎么样:
df[adoption_rate] = [100.*len(set(df.loc[i,app_id_x]) &\
set(df.loc[i,app_id_y]))/len(set(df.loc[i,app_id_x]))\
if type(df.loc[i,app_id_x])==list and \
type(df.loc[i,app_id_x])==list \
else 0. for i in df.index]
编辑:修复了任何数组中存在重复值的情况。如何:
df[adoption_rate] = [100.*len(set(df.loc[i,app_id_x]) &\
set(df.loc[i,app_id_y]))/len(set(df.loc[i,app_id_x]))\
if type(df.loc[i,app_id_x])==list and \
type(df.loc[i,app_id_x])==list \
else 0. for i in df.index]
编辑:修复了任何数组中存在重复值的情况。您可以使用它来获取两个数组之间的公共元素,这完成了需要完成的大部分工作。为了获得输出,我将编写一个函数来获取给定行的重叠百分比,然后使用apply
添加一个采用率列
def get_overlap_pcnt(row):
# Get the overlap between arrays.
overlap = len(np.intersect1d(row['app_id_x'], row['app_id_y']))
# Compute the percent common.
if overlap == 0:
pcnt = 0
else:
pcnt = 100*overlap/len(row['app_id_y'])
return '{:.2f}%'.format(pcnt)
df['adoption_rate'] = df.apply(get_overlap_pcnt, axis=1)
从你的问题中,我不太清楚你是想要app\u id\u y
还是app\u id\u x
作为分母,但这是一个很容易做出的改变。下面是使用我创建的一些示例数据的示例输出
app_id_x app_id_y period adoption_rate
0 [a, b, c, d, e, f, g] NaN 2015-08 0.00%
1 [b, c, d] [b, c, d, e] 2015-09 75.00%
2 [a, b, c, x, y, z] [x, y, z] 2015-10 100.00%
3 [q, w, e, r, t, y] [a, b, c, d, e] 2015-11 20.00%
4 [x, y, z] [a, b, x] 2015-12 33.33%
您可以使用获取两个数组之间的公共元素,这完成了需要完成的大部分工作。为了获得输出,我将编写一个函数来获取给定行的重叠百分比,然后使用apply
添加一个采用率列
def get_overlap_pcnt(row):
# Get the overlap between arrays.
overlap = len(np.intersect1d(row['app_id_x'], row['app_id_y']))
# Compute the percent common.
if overlap == 0:
pcnt = 0
else:
pcnt = 100*overlap/len(row['app_id_y'])
return '{:.2f}%'.format(pcnt)
df['adoption_rate'] = df.apply(get_overlap_pcnt, axis=1)
从你的问题中,我不太清楚你是想要app\u id\u y
还是app\u id\u x
作为分母,但这是一个很容易做出的改变。下面是使用我创建的一些示例数据的示例输出
app_id_x app_id_y period adoption_rate
0 [a, b, c, d, e, f, g] NaN 2015-08 0.00%
1 [b, c, d] [b, c, d, e] 2015-09 75.00%
2 [a, b, c, x, y, z] [x, y, z] 2015-10 100.00%
3 [q, w, e, r, t, y] [a, b, c, d, e] 2015-11 20.00%
4 [x, y, z] [a, b, x] 2015-12 33.33%
其他答案缺少的是,这是一种非常不自然的数据存储方式。通常,数据帧中的值应该是标量 为了解决此问题,表示数据的更好方法是将它们重新格式化为两个数据帧,即X和Y。在X中,行是句点,列是ID(例如“g8m4lecv”)。如果值在该期间的X列中,则X数据框中的条目为
1
,对于Y也是如此
这使得执行您想要执行的操作更加容易
下面是:
import pandas as pd
import numpy as np
# from the comment by @jezrael . Super useful, thanks
df = pd.DataFrame({'app_id_x': {10: ['pb6uhl15', 'pb6uhl15', 'pb6uhl15'], 11: ['pb6uhl15', 'pb6uhl15', 'e68t39yp', 's7xun0k1'], 12: [ 'pb6uhl15', 's7xun0k1'], 13: [ 's7xun0k1'], 14: ['pb6uhl15', 'pb6uhl15', 'e68t39yp', 's7xun0k1']}, 'app_id_y': {10: ['pb6uhl15'], 11: ['pb6uhl15'], 12: np.nan, 13: ['pb6uhl15', 'xn66n2cr', 'e68t39yp', 's7xun0k1'], 14: ['e68t39yp', 'xn66n2cr']}, 'period': {10: '2015-19', 11: '2015-20', 12: '2015-21', 13: '2015-22', 14: '2015-23'}})
# pulling the data out of the lists in the starting dataframe
new_data = []
for _,row in df.iterrows():
for col in ['app_id_x','app_id_y']:
vals = row[col]
if isinstance(vals,list):
for v in set(vals):
new_data.append((row['period'],col[-1],v,1))
new_df = pd.DataFrame(new_data, columns = ['period','which_app','val','exists'])
# splitting the data into two frames
def get_one_group(app_id):
return new_df.groupby('which_app').get_group(app_id).drop('which_app', axis=1)
X = get_one_group('x')
Y = get_one_group('y')
# converting to the desired format
def convert_to_indicator_matrix(df):
return df.set_index(['period','val']).unstack('val').fillna(0)
X = convert_to_indicator_matrix(X)
Y = convert_to_indicator_matrix(Y)
现在,真正解决你的问题非常容易。我不清楚您到底需要解决什么问题,但假设您想知道,对于每个时段,number\u id\u in\u两者
除以number\u id\u in\u Y
combined = (X * Y).fillna(0)
combined.sum(axis=1) / Y.sum(axis=1)
其他答案缺少的是,这是一种非常不自然的数据存储方式。通常,数据帧中的值应该是标量 为了解决此问题,表示数据的更好方法是将它们重新格式化为两个数据帧,即X和Y。在X中,行是句点,列是ID(例如“g8m4lecv”)。如果值在该期间的X列中,则X数据框中的条目为
1
,对于Y也是如此
这使得执行您想要执行的操作更加容易
下面是:
import pandas as pd
import numpy as np
# from the comment by @jezrael . Super useful, thanks
df = pd.DataFrame({'app_id_x': {10: ['pb6uhl15', 'pb6uhl15', 'pb6uhl15'], 11: ['pb6uhl15', 'pb6uhl15', 'e68t39yp', 's7xun0k1'], 12: [ 'pb6uhl15', 's7xun0k1'], 13: [ 's7xun0k1'], 14: ['pb6uhl15', 'pb6uhl15', 'e68t39yp', 's7xun0k1']}, 'app_id_y': {10: ['pb6uhl15'], 11: ['pb6uhl15'], 12: np.nan, 13: ['pb6uhl15', 'xn66n2cr', 'e68t39yp', 's7xun0k1'], 14: ['e68t39yp', 'xn66n2cr']}, 'period': {10: '2015-19', 11: '2015-20', 12: '2015-21', 13: '2015-22', 14: '2015-23'}})
# pulling the data out of the lists in the starting dataframe
new_data = []
for _,row in df.iterrows():
for col in ['app_id_x','app_id_y']:
vals = row[col]
if isinstance(vals,list):
for v in set(vals):
new_data.append((row['period'],col[-1],v,1))
new_df = pd.DataFrame(new_data, columns = ['period','which_app','val','exists'])
# splitting the data into two frames
def get_one_group(app_id):
return new_df.groupby('which_app').get_group(app_id).drop('which_app', axis=1)
X = get_one_group('x')
Y = get_one_group('y')
# converting to the desired format
def convert_to_indicator_matrix(df):
return df.set_index(['period','val']).unstack('val').fillna(0)
X = convert_to_indicator_matrix(X)
Y = convert_to_indicator_matrix(Y)
现在,真正解决你的问题非常容易。我不清楚您到底需要解决什么问题,但假设您想知道,对于每个时段,number\u id\u in\u两者
除以number\u id\u in\u Y
combined = (X * Y).fillna(0)
combined.sum(axis=1) / Y.sum(axis=1)
我认为您可以使用更好的样本并添加所需的样本输出。也许有助于打印pd.数据框({'app_id_x':{10:['pb6uhl15','pb6uhl15','pb6uhl15','pb6uhl15','pb6uhl15','e68t39yp','s7xun0k1',12:['pb6uhl15','s7xun0k1',13:['s7xun0k1',14:['pb6uhl15','pb6uhl15','e68t9yp','s7xun1k1','s7xun1k1','app id:'s7xunkuhl15','11'][pb6uhl15',xn66n2cr',e68t39yp',s7xun0k1',14:[e68t39yp',xn66n2cr']},句号:{10:'2015-19',11:'2015-20',12:'2015-21',13:'2015-22',14:'2015-23'}请随意修改它以获得更好的结果。祝你好运。我认为你可以使用更好的样本并添加所需的样本输出。也许有帮助-
打印pd.DataFrame({'AppID\uX':{10:11:[pb6uhl15,”pb6uhl15,”pb6uhl15,”pb6uhl15,”pb6uhl15,”pb6uhl15,”pb6uhl15,“E666T39YP,”S7XN111111'[pb6uhl15”,“pb6uhl15”,“PB6UH6UHL15”,“PB6UL15,”PB6UH6UL15,”PB6UL15,”pb6uhl15,”PB6UL15,”PB6UL15,”E6UL15,”E6UL15,”E6UL15,”E6UL15,”E6UL15,”E6UL15,”E6UL15,”E66UL15,”E66UL15,”E6UL15,”E6UL15,”E66UL15,”E6666UL15,”E6L15,”E66666L15,”E6L15,”E],14:[e68t39yp',xn66n2cr'],期间:{10:'2015-19',11:'2015-20',12:'2015-21',13:'2015-22',14:'2015-23'})
请随意修改它以获得更好的结果。祝你好运。我喜欢这个解决方案。使用np.intersect1d
而不是set
有什么好处吗?我没有计时,但我怀疑np.intersect1d
对于大型数据集有更好的性能,因为它使用了numpy的底层C/C++/Fortran代码。我喜欢这个解决方案。是使用np.intersect1d
而不是set
是一个优势吗?我没有计时,但我怀疑np.intersect1d
对于大型数据集有更好的性能,因为它使用了numpy的底层C/C++/Fortran代码。