Python 熊猫在同一列中获得一起使用最频繁的值

我的数据集只包含两列

user\u id

和

channel

。通道列可以采用预定义列表中的值

[a、b、c、d]

。有多行具有相同的

用户id

。每行可以包含上述任何通道

如果考虑每个用户访问的唯一信道，哪个集合最频繁发生？

数据帧示例：

>>> df = pd.DataFrame([[1, 'a'], [1, 'b'], [1, 'b'], [1,'b'], [2,'c'], [2,'a'], [2,'a'], [2,'b'], [3,'a'], [3,'b']], columns=['user_id', 'Channel'])
>>> df
   user_id Channel
0        1       a
1        1       b
2        1       b
3        1       b
4        2       c
5        2       a
6        2       a
7        2       b
8        3       a
9        3       b

预期解决方案：

对于上面的示例，将类似于：

• 对于

  user_id==1

  而言，唯一通道集是

  {a，b}

  ，并且该组合计数一次
• 对于

  user_id==2

  而言，唯一通道集是

  {a，b，c}

  ，并且该组合计数一次。请注意，这不计入这些唯一通道的任何子集
• 对于

  user_id==3

  而言，唯一通道集是

  {a，b}

  ，并且该组合计数一次

如果我们为每个

用户id

计算一个唯一频道组合，我们应该得到

>>> df_result = pd.DataFrame([['a,b', 2], ['a,b,c', 1]], columns=['Channels_together', 'n'])
>>> df_result
  Channels_together  n
0               a,b  2
1             a,b,c  1

我已经想出了一个解决方案，它是旋转表格，这样我就可以得到

用户id

，以及

a

、

b

、

c

、

d

，然后给每个通道列分配一个整数，如果不是NA，那么就跨列求和，并将结果转换回每个组合

我确信有更好的方法可以做到这一点，但我似乎不知道如何做到。

frozenset

是可散列且可计数的

df.groupby('user_id').Channel.apply(frozenset).value_counts()

(a, b)       2
(a, b, c)    1
Name: Channel, dtype: int64

我们可以根据OP的功能来调整它

c = df.groupby('user_id').Channel.apply(frozenset).value_counts()
pd.DataFrame({'Channels_together': c.index.str.join(', '), 'n': c.values})

  Channels_together  n
0              a, b  2
1           a, b, c  1

或者

df.groupby('user_id').Channel.apply(frozenset).str.join(', ') \
  .value_counts().rename_axis('Channels_together').reset_index(name='n')

  Channels_together  n
0              a, b  2
1           a, b, c  1

frozenset

是可散列且可计数的

df.groupby('user_id').Channel.apply(frozenset).value_counts()

(a, b)       2
(a, b, c)    1
Name: Channel, dtype: int64

我们可以根据OP的功能来调整它

c = df.groupby('user_id').Channel.apply(frozenset).value_counts()
pd.DataFrame({'Channels_together': c.index.str.join(', '), 'n': c.values})

  Channels_together  n
0              a, b  2
1           a, b, c  1

或者

df.groupby('user_id').Channel.apply(frozenset).str.join(', ') \
  .value_counts().rename_axis('Channels_together').reset_index(name='n')

  Channels_together  n
0              a, b  2
1           a, b, c  1

---

您可以使用

groupby.apply（set）

，然后使用

.value\u counts

对值进行计数：

df.groupby('user_id')['Channel'].apply(set).value_counts()\
  .reset_index(name='n')\
  .rename(columns={'index':'Channels_together'})

输出

  Channels_together  n
0            {a, b}  2
1         {a, c, b}  1

  Channels_together  n
0              a, b  2
1           a, b, c  1

---

如果您希望值采用

str

格式，我们可以编写

lambda

函数对集合进行排序并将其转换为字符串：

df.groupby('user_id')['Channel'].apply(lambda x: ', '.join(sorted(set(x)))).value_counts()\
  .reset_index(name='n')\
  .rename(columns={'index':'Channels_together'})

输出

  Channels_together  n
0            {a, b}  2
1         {a, c, b}  1

  Channels_together  n
0              a, b  2
1           a, b, c  1

---

您可以使用

groupby.apply（set）

，然后使用

.value\u counts

对值进行计数：

df.groupby('user_id')['Channel'].apply(set).value_counts()\
  .reset_index(name='n')\
  .rename(columns={'index':'Channels_together'})

输出

  Channels_together  n
0            {a, b}  2
1         {a, c, b}  1

  Channels_together  n
0              a, b  2
1           a, b, c  1

---

如果您希望值采用

str

格式，我们可以编写

lambda

函数对集合进行排序并将其转换为字符串：

df.groupby('user_id')['Channel'].apply(lambda x: ', '.join(sorted(set(x)))).value_counts()\
  .reset_index(name='n')\
  .rename(columns={'index':'Channels_together'})

输出

  Channels_together  n
0            {a, b}  2
1         {a, c, b}  1

  Channels_together  n
0              a, b  2
1           a, b, c  1

---

请花点时间阅读这篇文章，以及如何提供答案并相应地修改您的问题

df.groupby（'channel'）.count（）

？不，我需要经常在一起的观察结果，不仅仅是小组中最常见的。创建一个小测试数据集，并显示此小测试数据集的预期结果。根据您的示例数据集，预期输出是什么？请花时间阅读此帖子，以及如何提供答案并相应修改您的问题

df.groupby（'channel'）。count（）

？不，我需要经常在一起的观察结果，而不仅仅是组中最频繁的观察结果。创建一个小测试数据集，并显示此小测试数据集的预期结果。基于示例数据集，预期输出是什么？谢谢！您的第一个解决方案给了我一个错误

TypeError:unhabable type:“set”

，但第二个解决方案工作得很好！！这取决于你如何看待它。如果只得到每个组的唯一值，那么结果对我来说是有意义的@piRSquared，但我也理解你的方法，但这与OP expects.OP在他们的评论中阐明的不同。我同意，谢谢你！您的第一个解决方案给了我一个错误

TypeError:unhabable type:“set”

，但第二个解决方案工作得很好！！这取决于你如何看待它。如果只得到每个组的唯一值，那么结果对我来说是有意义的@piRSquared，但我也理解你的方法，但这与OP expects.OP在他们的评论中阐明的不同。我同意。