Python Pandas-拆分列并包含计数
我有以下数据帧:Python Pandas-拆分列并包含计数,python,pandas,Python,Pandas,我有以下数据帧: doc_id is_fulltext 1243 dok:1 1 3310 dok:1 1 4370 dok:1 1 14403 dok:1020 1 17252 dok:1020 1 15977 dok:1020 0 16480 dok:1020 1 16252
doc_id is_fulltext
1243 dok:1 1
3310 dok:1 1
4370 dok:1 1
14403 dok:1020 1
17252 dok:1020 1
15977 dok:1020 0
16480 dok:1020 1
16252 dok:1020 1
468 dok:103 1
128 dok:1030 0
1673 dok:1038 1
我想将is_全文列拆分为两列,同时统计文档的出现次数
期望输出:
doc_id fulltext non-fulltext
0 dok:1 3 0
1 dok:1020 4 1
2 dok:103 1 0
3 dok:1030 0 1
4 dok:1038 1 0
我遵循了这个程序
这篇文章展示了几个备选方案,建议使用分类或重新索引。我尝试了以下方法:
cats = ['fulltext', 'non_fulltext']
df_sorted['is_fulltext'] = pd.Categorical(df_sorted['is_fulltext'], categories=cats)
new_df = df_sorted.groupby(['doc_id', 'is_fulltext']).size().unstack(fill_value=0)
这里我得到一个ValueError:
ValueError: Length of passed values is 17446, index implies 0
然后我尝试了这个方法
cats = ['fulltext', 'non_fulltext']
new_df = df_sorted.groupby(['doc_id','is_fulltext']).size().unstack(fill_value=0).reindex(columns=cats).reset_index()
虽然这在最初的帖子中似乎效果很好,但我的计数中充满了N(见下文)。我现在读到使用reindex和Category时会发生这种情况,但我想知道为什么在最初的文章中它似乎起了作用。我怎样才能解决这个问题?有人能帮忙吗?谢谢大家!
doc_id fulltext non-fulltext
0 dok:1 NaN NaN
1 dok:1020 NaN NaN
2 dok:103 NaN NaN
3 dok:1030 NaN NaN
4 dok:1038 NaN NaN
您可以将文档id
应用于每个组,并:
或者类似于您自己的方法,如果性能是一个问题,请改为:
df.groupby(['doc_id','is_fulltext']).size()
.unstack(fill_value=0)
.rename(columns={0:'fulltext',1:'non_fulltext'})
.reset_index()
is_fulltext doc_id fulltext non_fulltext
0 dok:1 0 3
1 dok:1020 1 4
2 dok:103 0 1
3 dok:1030 1 0
4 dok:1038 0 1
我不知道这是否是最好的方法,但这应该适合您:
import pandas as pd
df = pd.DataFrame({"doc_id":["id1", "id2", "id1", "id2"],
"is_fulltext":[1, 0, 1, 1]})
df_grouped = df.groupby("doc_id").sum().reset_index()
df_grouped["non_fulltext"] = df.groupby("doc_id").count().reset_index()["is_fulltext"] - df_grouped["is_fulltext"]
df_grouped
输出为:
doc_id is_fulltext non_fulltext
0 id1 2 0
1 id2 1 1
谢谢,这个很好用。不过,有一个小问题:速度相当慢,尤其是当您拥有大量数据时。有什么办法解决这个问题吗?我会马上调查的@annika@Annika用你自己的答案。使用reindex将所有值设置为nan。你想重新命名。这应该快得多,因为id避免了任何python级别的循环。非常感谢!令人惊讶的是,一个小小的单词能带来多大的不同(reindex vs.rename)…谢谢,这非常有效-除非你有大量的数据。它很快,但是,在最后一行中,非_全文的值再次变为NaN。。。
doc_id is_fulltext non_fulltext
0 id1 2 0
1 id2 1 1