Python 基于DataFrame列将数据分组到集群中

我有一个类似于以下内容的数据帧df：

A    B   
1    2
1    3
1    4
2    5
4    6
4    7
8    9
9    8

我想添加一列，该列基本上根据a列和B列中的值确定相关集群：

A    B    C   
1    2    a
1    3    a
1    4    a
2    5    a
3    1    a
3    2    a
4    6    a
4    7    a
8    9    b
9    8    b

请注意，由于A中的1与B中的2相关，而A中的2与B中的5相关，因此它们都位于同一集群中。A中的8只与B中的9相关，因此被放在另一个簇中

---

总而言之，我如何基于成对连接定义集群，其中成对由数据帧中的两列定义？

这里是一个开始，我不确定我是否理解分组为集群的标准，但是，您应该能够添加确切的标准：

import pandas as pd

x = pd.DataFrame({'A': [1,1,1,2,4,4,8,9],
              'B': [2,3,4,5,6,7,9,8]})

## calculate difference between a and be columns
## (substitute any distance/association function)
x['Diff'] = abs(x['A'] - x['B'])

## assign whether row is in a cluster or not.
x['Incluster'] = x['Diff'] <= 1

---

这是一个开始，我不确定我是否理解分组到集群的标准，但是，您应该能够添加确切的标准：

import pandas as pd

x = pd.DataFrame({'A': [1,1,1,2,4,4,8,9],
              'B': [2,3,4,5,6,7,9,8]})

## calculate difference between a and be columns
## (substitute any distance/association function)
x['Diff'] = abs(x['A'] - x['B'])

## assign whether row is in a cluster or not.
x['Incluster'] = x['Diff'] <= 1

---

您可以将其视为一个集合合并问题（每行描述一个集合），或一个连接组件问题（每行描述两个节点之间的边）。顺便说一句，虽然我已经考虑过提交一份PR，将其添加到实用工具中，但是它没有本机支持

无论如何，您可以做如下操作：

def consolidate(sets):
    # http://rosettacode.org/wiki/Set_consolidation#Python:_Iterative
    setlist = [s for s in sets if s]
    for i, s1 in enumerate(setlist):
        if s1:
            for s2 in setlist[i+1:]:
                intersection = s1.intersection(s2)
                if intersection:
                    s2.update(s1)
                    s1.clear()
                    s1 = s2
    return [s for s in setlist if s]

def group_ids(pairs):
    groups = consolidate(map(set, pairs))
    d = {}
    for i, group in enumerate(sorted(groups)):
        for elem in group:
            d[elem] = i
    return d

之后我们有

>>> df["C"] = df["A"].replace(group_ids(zip(df.A, df.B)))
>>> df
   A  B  C
0  1  2  0
1  1  3  0
2  1  4  0
3  2  5  0
4  4  6  0
5  4  7  0
6  8  9  1
7  9  8  1

---

您可以将0和1替换为您想要的任何内容。

您可以将其视为一个集合合并问题，每行描述一个集合，或一个连接组件问题，每行描述两个节点之间的边。顺便说一句，虽然我已经考虑过提交一份PR，将其添加到实用工具中，但是它没有本机支持

无论如何，您可以做如下操作：

def consolidate(sets):
    # http://rosettacode.org/wiki/Set_consolidation#Python:_Iterative
    setlist = [s for s in sets if s]
    for i, s1 in enumerate(setlist):
        if s1:
            for s2 in setlist[i+1:]:
                intersection = s1.intersection(s2)
                if intersection:
                    s2.update(s1)
                    s1.clear()
                    s1 = s2
    return [s for s in setlist if s]

def group_ids(pairs):
    groups = consolidate(map(set, pairs))
    d = {}
    for i, group in enumerate(sorted(groups)):
        for elem in group:
            d[elem] = i
    return d

之后我们有

>>> df["C"] = df["A"].replace(group_ids(zip(df.A, df.B)))
>>> df
   A  B  C
0  1  2  0
1  1  3  0
2  1  4  0
3  2  5  0
4  4  6  0
5  4  7  0
6  8  9  1
7  9  8  1

---

您可以用任何方式替换0和1。

群集由两个值之间是否存在成对连接来定义。在我的例子中，1,2+2,5表示1,5。此外，我的数据中可能有几百个簇，因此对簇罩的二进制确定是不够的。-好的，如果我理解正确，dataframe是一个表示图中连接的边列表。如果是这样，您可以在图中使用集群：或者集群由两个值之间是否存在成对连接来定义。在我的例子中，1,2+2,5表示1,5。此外，我的数据中可能有几百个簇，因此对簇罩的二进制确定是不够的。-好的，如果我理解正确，dataframe是一个表示图中连接的边列表。如果是这样，您可以在图中使用集群：或者