如何对数据进行分组并构造一个新列 - python pandas？

Question

我有一个如下所示的数据集：

postcode house_number  col2  col3
xxx      xxx           xxx   xxx
xxx      xxx           xxx   xxx

我想通过postcode和house_number对数据进行分组，如果两行有相同的邮政编码和门牌号，则表示它们是相同的属性，那么我想为每个属性构造一个unique_id（在换句话说，对于unique_id，postcode / house_number 必须相同，但 col2 / col3 的值可能不同），例如：

unique_id postcode house_number  col2  col3
0         111      222           xxx   xxx 
0         111      222           xxx   xxx
1         xxx      xxx           xxx   xxx
.....

我尝试了new_df = ppd_df.groupby(['postcode','house_number']).reset_index()，但它给了我错误AttributeError: 'DataFrameGroupBy' object has no attribute 'reset_index'，我也不知道如何构造列unique_id。有人可以帮忙吗？谢谢。

Answer 1

使用groupby ngroup 将每个组编号从 0 到组数 - 1：

df['unique_id'] = df.groupby(['postcode', 'house_number']).ngroup()

df:

   postcode  house_number  col2  col3  unique_id
0       111           222     1     5          0
1       111           222     2     6          0
2       111           444     3     7          1
3       333           333     4     8          2

如果需要，可以使用insert 使其成为第一列：

df.insert(0, 'unique_id', df.groupby(['postcode', 'house_number']).ngroup())

df:

   unique_id  postcode  house_number  col2  col3
0          0       111           222     1     5
1          0       111           222     2     6
2          1       111           444     3     7
3          2       333           333     4     8

---

*注意：sort=False 可用于确保按组在 DataFrame 中出现的顺序枚举组：

df['unique_id'] = df.groupby(['postcode', 'house_number'], sort=False).ngroup()

或者

df.insert(0, 'unique_id',
          df.groupby(['postcode', 'house_number'], sort=False).ngroup())

否则，组将按照“在迭代 groupby 对象时看到组的顺序，而不是第一次观察它们的顺序”来枚举。

---

DataFrame 和导入：

import pandas as pd

df = pd.DataFrame({
    'postcode': [111, 111, 111, 333],
    'house_number': [222, 222, 444, 333],
    'col2': [1, 2, 3, 4],
    'col3': [5, 6, 7, 8],
})

Answer 2

从postcode 和house_number 列创建元组并使用pd.factorize 获取唯一标识符：

df['unique_id'] = \
    pd.factorize(df[['postcode', 'house_number']].apply(tuple, axis=1))[0]

>>> df
   postcode  house_number col2 col3  unique_id
0       111           222  xxx  xxx          0
1       111           333  xxx  xxx          1
2       111           222  xxx  xxx          0
3       111           222  xxx  xxx          0
4       222           444  xxx  xxx          2