如何检查一列的每个值是否正好映射到另一列中的一个值？

Question

我有一个这样的数据框

import pandas as pd

df = pd.DataFrame({'A':list('bbcddee'), 'B': list('klmnnoi')})

   A  B
0  b  k
1  b  l
2  c  m
3  d  n
4  d  n
5  e  o
6  e  i

我想从列中创建一个字典A并B使用例如

dict(zip(df.A, df.B))

在此之前，我想检查一下 in 中的每个值是否A仅映射到 中的一个值B；如果不是，则应抛出错误；上面的情况并非如此，因为b映射到kandl并且e映射到oand i。

接近它的一种方法是：

df[df.groupby('A', sort=False)['B'].transform(lambda x: len(set(x))) > 1]

返回

   A  B
0  b  k
1  b  l
5  e  o
6  e  i

但是，这需要一个lambda可能会使其变慢的。有没有人看到加快速度的选项？

Answer 1

你可以groupby用nunique获得的“B”属于在“A”的每个唯一值的唯一值如何。

df.groupby('A').B.nunique()
#A
#b    2
#c    1
#d    1
#e    2
#Name: B, dtype: int64

因此，您可以检查其中是否有超过 1 个映射：

df.groupby('A').B.nunique().gt(1).any()
#True

以上在概念上与您提出的没有什么不同。但是，如果您能够使用已“优化”的内置 groupby 操作，而不是需要循环的慢速 lambda，则通常会获得重大的性能提升。我们可以看到，随着 DataFrame 变大，lambda 会变慢近 100 倍，这在开始需要几秒钟来计算时是一个大问题。

import perfplot
import pandas as pd
import numpy as np

def gb_lambda(df):
    return df.groupby('A')['B'].apply(lambda x: len(set(x))).gt(1)

def gb_nunique(df):
    return df.groupby('A').B.nunique().gt(1)

perfplot.show(
    setup=lambda n: pd.DataFrame({'A': np.random.randint(0, n//2, n), 
                                  'B': np.random.randint(0, n//2, n)}),
    kernels=[
        lambda df: gb_lambda(df),
        lambda df: gb_nunique(df),
    ],
    labels=['groupby with lambda', 'Groupby.nunique'],
    n_range=[2 ** k for k in range(2,18)],
    equality_check=np.allclose,  
    xlabel='~len(df)'
)