Python 在多个列中指定唯一值
返回“Col1”和“Col2”的唯一值的最佳方法是什么 所需输出为Python 在多个列中指定唯一值,python,pandas,dataframe,unique,Python,Pandas,Dataframe,Unique,返回“Col1”和“Col2”的唯一值的最佳方法是什么 所需输出为 df = pd.DataFrame({'Col1': ['Bob', 'Joe', 'Bill', 'Mary', 'Joe'], 'Col2': ['Joe', 'Steve', 'Bob', 'Bob', 'Steve'], 'Col3': np.random.random(5)}) 非pandas解决方案:使用set() 输出: import p
df = pd.DataFrame({'Col1': ['Bob', 'Joe', 'Bill', 'Mary', 'Joe'],
'Col2': ['Joe', 'Steve', 'Bob', 'Bob', 'Steve'],
'Col3': np.random.random(5)})
非
pandas
解决方案:使用set()
输出:
import pandas as pd
import numpy as np
df = pd.DataFrame({'Col1' : ['Bob', 'Joe', 'Bill', 'Mary', 'Joe'],
'Col2' : ['Joe', 'Steve', 'Bob', 'Bob', 'Steve'],
'Col3' : np.random.random(5)})
print df
print set(df.Col1.append(df.Col2).values)
我设置了一个
DataFrame
,在它的列中有几个简单的字符串:
Col1 Col2 Col3
0 Bob Joe 0.201079
1 Joe Steve 0.703279
2 Bill Bob 0.722724
3 Mary Bob 0.093912
4 Joe Steve 0.766027
set(['Steve', 'Bob', 'Bill', 'Joe', 'Mary'])
您可以连接感兴趣的列,并调用unique
函数:
>>> df
a b
0 a g
1 b h
2 d a
3 e e
或:
从输入数组、数据帧列或索引返回唯一值
此函数的输入需要是一维的,因此需要组合多个列。最简单的方法是选择所需的列,然后在平坦的NumPy数组中查看值。整个操作如下所示:
set(df.Col1) | set(df.Col2)
请注意,ravel()
是一个数组方法,它返回多维数组的视图(如果可能的话)。参数'K'
告诉方法按元素在内存中的存储顺序展平数组(熊猫通常将底层数组存储在;行之前的列中)。这比使用该方法的默认“C”顺序要快得多
另一种方法是选择列并将其传递给: 这里不需要使用
ravel()
,因为该方法处理多维数组。即使如此,这可能比pd.unique慢,因为它使用基于排序的算法而不是哈希表来识别唯一值
对于较大的数据帧,速度上的差异非常显著(特别是在只有少数唯一值的情况下):
如果使用numpy v1.13+更新的解决方案使用多列,则需要在中指定轴,否则数组将隐式展平
>>> df1 = pd.concat([df]*100000, ignore_index=True) # DataFrame with 500000 rows
>>> %timeit np.unique(df1[['Col1', 'Col2']].values)
1 loop, best of 3: 1.12 s per loop
>>> %timeit pd.unique(df1[['Col1', 'Col2']].values.ravel('K'))
10 loops, best of 3: 38.9 ms per loop
>>> %timeit pd.unique(df1[['Col1', 'Col2']].values.ravel()) # ravel using C order
10 loops, best of 3: 49.9 ms per loop
这一变化于2016年11月引入:对于我们这些热爱所有事物的人,熊猫、应用,当然还有lambda功能:
import numpy as np
np.unique(df[['col1', 'col2']], axis=0)
输出将是
['Mary','Joe','Steve','Bob','Bill']还有另一种方法
将numpy作为np导入
集合(np.连接(df.值))
如何取回数据帧而不是数组?@Lisle:这两种方法都返回一个NumPy数组,因此您必须手动构造它,例如,pd.dataframe(唯一值)
。没有直接返回数据帧的好方法。@Lisle因为使用了pd.unique,所以它返回一个numpy.ndarray作为最终输出。这就是你要问的吗?@Lisle,也许这一个df=df.drop_重复(子集=['C1','C2','C3'])?要只将需要的列放入数据帧中,你可以执行df.groupby(['C1','C2','C3']).size().reset_index().drop(columns=0)。这将创建一个组,默认情况下,该组将选择唯一的组合并计算每组的项目数。重置索引将从多索引更改为平面二维。最后是删除count of items列。另请参阅以了解另一个不同但相关的问题。这里选择的答案使用了df1.groupby(['A','B']).size().reset_index().rename(columns={0:'count'})
This_is_uniuqe={'col1':[“Hippo”,“H”],“col2:[“potamus”,“ippotomus”],}
set(df.Col1) | set(df.Col2)
>>> pd.unique(df[['Col1', 'Col2']].values.ravel('K'))
array(['Bob', 'Joe', 'Bill', 'Mary', 'Steve'], dtype=object)
>>> np.unique(df[['Col1', 'Col2']].values)
array(['Bill', 'Bob', 'Joe', 'Mary', 'Steve'], dtype=object)
>>> df1 = pd.concat([df]*100000, ignore_index=True) # DataFrame with 500000 rows
>>> %timeit np.unique(df1[['Col1', 'Col2']].values)
1 loop, best of 3: 1.12 s per loop
>>> %timeit pd.unique(df1[['Col1', 'Col2']].values.ravel('K'))
10 loops, best of 3: 38.9 ms per loop
>>> %timeit pd.unique(df1[['Col1', 'Col2']].values.ravel()) # ravel using C order
10 loops, best of 3: 49.9 ms per loop
import numpy as np
np.unique(df[['col1', 'col2']], axis=0)
df['Col3'] = df[['Col1', 'Col2']].apply(lambda x: ''.join(x), axis=1)
list(set(df[['Col1', 'Col2']].as_matrix().reshape((1,-1)).tolist()[0]))