如何通过pandas中的两列计算唯一记录？

Question

我在熊猫中有数据框:

In [10]: df
Out[10]:
    col_a    col_b  col_c  col_d
0  France    Paris      3      4
1      UK    Londo      4      5
2      US  Chicago      5      6
3      UK  Bristol      3      3
4      US    Paris      8      9
5      US   London     44      4
6      US  Chicago     12      4

我需要统计独特的城市.我可以数独特的状态

In [11]: df['col_a'].nunique()
Out[11]: 3

我可以尝试数独特的城市

In [12]: df['col_b'].nunique()
Out[12]: 5

但这是错误的,因为法国的美国巴黎和巴黎是不同的城市.所以现在我这样做:

In [13]: df['col_a_b'] = df['col_a'] + ' - ' + df['col_b']

In [14]: df
Out[14]:
    col_a    col_b  col_c  col_d         col_a_b
0  France    Paris      3      4  France - Paris
1      UK    Londo      4      5      UK - Londo
2      US  Chicago      5      6    US - Chicago
3      UK  Bristol      3      3    UK - Bristol
4      US    Paris      8      9      US - Paris
5      US   London     44      4     US - London
6      US  Chicago     12      4    US - Chicago

In [15]: df['col_a_b'].nunique()
Out[15]: 6

也许有更好的方法？无需创建其他列.

Answer 1

通过使用 ngroups

df.groupby(['col_a', 'col_b']).ngroups
Out[101]: 6

或使用 set

len(set(zip(df['col_a'],df['col_b'])))
Out[106]: 6

Answer 2

您可以选择col_a和col_b,删除重复项,然后检查结果数据框的形状/ len:

df[['col_a', 'col_b']].drop_duplicates().shape[0]
# 6

len(df[['col_a', 'col_b']].drop_duplicates())
# 6

因为groupby忽略NaNs,并且可能不必要地调用排序过程,所以如果NaN列中有s ,请相应选择使用哪种方法:

考虑如下数据框:

df = pd.DataFrame({
    'col_a': [1,2,2,pd.np.nan,1,4],
    'col_b': [2,2,3,pd.np.nan,2,pd.np.nan]
})

print(df)

#   col_a  col_b
#0    1.0    2.0
#1    2.0    2.0
#2    2.0    3.0
#3    NaN    NaN
#4    1.0    2.0
#5    4.0    NaN

时间安排:

df = pd.concat([df] * 1000)

%timeit df.groupby(['col_a', 'col_b']).ngroups
# 1000 loops, best of 3: 625 µs per loop

%timeit len(df[['col_a', 'col_b']].drop_duplicates())
# 1000 loops, best of 3: 1.02 ms per loop

%timeit df[['col_a', 'col_b']].drop_duplicates().shape[0]
# 1000 loops, best of 3: 1.01 ms per loop    

%timeit len(set(zip(df['col_a'],df['col_b'])))
# 10 loops, best of 3: 56 ms per loop

%timeit len(df.groupby(['col_a', 'col_b']))
# 1 loop, best of 3: 260 ms per loop

结果:

df.groupby(['col_a', 'col_b']).ngroups
# 3

len(df[['col_a', 'col_b']].drop_duplicates())
# 5

df[['col_a', 'col_b']].drop_duplicates().shape[0]
# 5

len(set(zip(df['col_a'],df['col_b'])))
# 2003

len(df.groupby(['col_a', 'col_b']))
# 2003

差异如此:

选项1:

df.groupby(['col_a', 'col_b']).ngroups

很快,它排除了包含NaNs的行.

选项2和3:

len(df[['col_a', 'col_b']].drop_duplicates())
df[['col_a', 'col_b']].drop_duplicates().shape[0]

合理快速,它认为NaNs是一个独特的价值.

选项4和5:

len(set(zip(df['col_a'],df['col_b']))) 
len(df.groupby(['col_a', 'col_b'])) 

慢,并且它遵循numpy.nan == numpy.nan假的逻辑,因此不同的(nan,nan)行被认为是不同的.

Answer 3

In [105]: len(df.groupby(['col_a', 'col_b']))
Out[105]: 6