Python 计算行频率并生成输出文件

使用如下文本文件：

a;b
b;a
c;d
d;c
e;a
f;g
h;b
b;f
b;f
c;g
a;b
d;f

如何读取它，并生成两个输出文本文件：一个只保留代表每个字母最常出现的两行；还有一个是保留所有的夫妇，包括最常见的25%的信件中的任何一封

---

很抱歉没有共享任何代码。我尝试了很多关于列表理解、计数和熊猫的东西，但不够流利

这里是一个没有冻结集的答案

df1 = df.apply(sorted, 1)
df_count =df1.groupby(['A', 'B']).size().reset_index().sort_values(0, ascending=False)
df_count.columns = ['A', 'B', 'Count']

df_all = pd.concat([df_count.assign(letter=lambda x: x['A']), 
                    df_count.assign(letter=lambda x: x['B'])]).sort_values(['letter', 'Count'], ascending =[True, False])

df_first = df_all.groupby(['letter']).first().reset_index()

top = int(len(df_count) / 4)
df_top_25 = df_count.iloc[:top]

------------老答案--------

因为顺序很重要，所以可以使用冻结集作为groupby的键

import pandas as pd
df = pd.read_csv('text.csv', header=None, names=['A','B'], sep=';')
s = df.apply(frozenset, 1)
df_count = s.value_counts().reset_index()
df_count.columns = ['Combos', 'Count']

这会给你这个

   Combos  Count
0  (a, b)      3
1  (b, f)      2
2  (d, c)      2
3  (g, f)      1
4  (b, h)      1
5  (c, g)      1
6  (d, f)      1
7  (e, a)      1

为了获得每个字母的最高组合，我们将把这个数据框连接在它的顶部，并创建另一个列来容纳第一个或第二个字母

df_a = df_count.copy()
df_b = df_count.copy()

df_a['letter'] = df_a['Combos'].apply(lambda x: list(x)[0])
df_b['letter'] = df_b['Combos'].apply(lambda x: list(x)[1])

df_all = pd.concat([df_a, df_b]).sort_values(['letter', 'Count'], ascending =[True, False])

因为这是按字母和计数（降序）排序的，所以只需要得到每组的第一行

df_first = df_all.groupby('letter').first()

要想获得前25%，只需使用

top = int(len(df_count) / 4)
df_top_25 = df_count.iloc[:top]

---

然后使用

。\u csv

输出到文件。

共享示例输出顺序是否重要？例如，将

a；b

和

b；a

是一对反复出现的夫妇吗？是的，在给出答案之前，你需要准确地定义一对夫妇首先是什么。熊猫将是一个很好的工具。请添加示例输出。这个问题不是很重要clear@textnet

列

应为

名称

。固定在下面。我总是把这场争论弄糊涂。我做得很好。非常感谢。

.to_csv

文件的行看起来像这样

a；冻结集（['a'，'b']）；3

在第一种情况下，与此类似

0；冻结集（['a'，'b']）；3

在第二行。以任何平滑的方式将它们都格式化为

a；b

标题为

source

和

target

？要摆脱冻结集，请使用下半部分中所做的操作

df['source']=df['Combos'].apply（lambda x:list（x）[0]）

和

df['target']=df['Combos'].apply（lambda x:list（x）[0]）

并删除不必要的列。是否可以修改代码

df_count=df.groupby（['source'，'target']）.size（）.reset_index（）.sort_值（0，升序=False）

和

df_count.columns=['source'，'target'，'weight']

以使方向不重要，即a；b与b一起计算；a？在其上面的步骤中使用“应用并排序”对其进行修改。