计算列表列中两个元素的出现次数

Question

我已经为此苦苦挣扎了几天。我在网上阅读了很多，发现了一些类似的问题，例如：Pandas counting occurrence of list contained in column of lists 或 pandas: count string criteria across down rows 但在这种情况下都不能完全工作。

我有两个数据框：df1 由一列字符串组成。 df2 由一列列表组成（这些列表是 df1 中字符串的组合，一个列表中的每个元素都是唯一的）。

我想知道每个字符串组合中有多少个 df2 列表。那么，有多少列表有“a”和“b”作为元素？有多少列表以“a”和“c”作为元素等等。

这是 df1 的样子（简化）：

df1 = pd.DataFrame({"subject": ["a", "b", "c"]})

df1
    subject
0   a
1   b
3   c

这就是 df2 的样子（简化）。

df2 = pd.DataFrame({"subject_list": [["a", "b" ,"c"], ["b", "c"], ["a", "b"], ["b", "c"], ["c"]]})

df2

     subject_list
0    ["a", "b" ,"c"]
1    ["a", "b"] 
2    ["b", "c"]
3    ["c"]
4    ["b", "c"]

我有两个代码都可以工作但不太正确：

此代码在 df1 中查找两行的组合（根据需要）。但是，df1 比 df2 包含更多的行，因此它在 df2 的最后一行停止。但仍有一些“字符串组合”需要测试。

df1["combination_0"] = df2["subject_list"].apply(lambda x: x.count(x and df.subject[0]))

此代码计算一个“列表”的出现次数。但是，我不知道如何更改它，以便它为每个值组合执行此操作。

df1["list_a_b"] = df2["subject_list"].apply(lambda x: x.count(df1.subject[0] and df1.subject[1]))
df1.list_a_b.sum()

Answer 1

这是我尝试的解决方案。

从你拥有的两个数据框开始，你可以使用 itertools 两两得到df1 元素的所有可能组合：

import itertools

df1 = pd.DataFrame({"subject": ["a", "b", "c"]})
df2 = pd.DataFrame({"subject_list": [["a", "b", "c"], ["b", "c"], ["a", "b"], ["b", "c"], ["c"]]})

# Create a new dataframe with one column that has the possible two by two combinations from `df1`
df_combinations = pd.DataFrame({'combination': list(itertools.combinations(df1.subject, 2))})

然后循环遍历新的数据帧，在本例中为 df_combinations，以找出每个组合在 df2 中出现的次数：

for index, row in df_combinations.iterrows():

    df_combinations.at[index, "number of occurrences"] = df2["subject_list"].apply(lambda x: all(i in x for i in row['combination'])).sum()

这一步与您的原始解决方案的主要区别在于，我没有使用x.count，而是使用all，因为这保证只有同时存在两个值的实例才会被计算在内。

最后df_combinations是：

  combination  number of occurrences
0      (a, b)                    2.0
1      (a, c)                    1.0
2      (b, c)                    3.0

Answer 2

这个问题有点困难，因为根据你有多少值，可能会有很多成对的比较。我认为您可能想要为每个值创建一个虚拟df，然后您可以使用.all 轻松查询您想要的任何成对组合。如果您想要任意数量的元素的组合，也很容易概括。

首先创建df_dummy，它指示该值是否包含在列表中。

df_dummy = df2.subject_list.str.join(sep='?').str.get_dummies(sep='?')
#   a  b  c
#0  1  1  1
#1  0  1  1
#2  1  1  0
#3  0  1  1
#4  0  0  1

然后创建您需要进行的所有成对组合的列表（忽略顺序）和相同的值

vals = df1.subject.unique()
combos = list((vals[j], vals[i]) for i in range(len(vals)) for j in range(len(vals)) if i>j)
print(combos)
#[('a', 'b'), ('a', 'c'), ('b', 'c')]

现在检查所有成对组合：

for x, y in combos:
    df2[x+'_and_'+y]=df_dummy[[x, y]].all(axis=1)

df2 是：

  subject_list  a_and_b  a_and_c  b_and_c
0    [a, b, c]     True     True     True
1       [b, c]    False    False     True
2       [a, b]     True    False    False
3       [b, c]    False    False     True
4          [c]    False    False    False

如果要统计总数，则直接使用sum，忽略第一列

df2[df2.columns[1:]].sum()
#a_and_b    2
#a_and_c    1
#b_and_c    3
#dtype: int64

Answer 3

这是我为解决您的问题所做的尝试。

主要有两个步骤：

• 生成所有可能的列表以检查 df1 的值
• 计算 df2 中包含每个组合的行数

代码：

import itertools

def all_in(elements, a_list):
    # Check if all values in the list elements are present in a_list
    return all(el in a_list for el in elements)

# All the (unique) values in df1
all_values = sorted(set(df1.sum()['subject']))

result = pd.Series()

# For each sequence length (1, 2, 3)
for length in range(1, len(all_values)+1):
    # For each sequence of fixed length
    for comb in itertools.combinations(all_values, length):
        # Count how many rows of df2 contains the sequence
        result["_".join(comb)] = df2.squeeze().apply(lambda x: all_in(comb, x)).sum()

给出：

result

a        2
b        4
c        4
a_b      2
a_c      1
b_c      3
a_b_c    1

根据实际数据的大小和您的要求，您可以让事情变得更智能。例如，如果您知道 'a' 不在一行中，那么您将自动将 False 分配给任何组合，包括 'a'

Answer 4

这是一个使用 collections.defaultdict 和 itertools.combinations 的非 Pandas 解决方案。逻辑有两部分：

1. 计算来自df1['subject']的所有组合。
2. 迭代 df2['subject_list'] 并增加字典计数。

frozenset 是故意使用的，因为它们是可散列的，并且在您的问题中表明该顺序不相关。

from collections import defaultdict
from itertools import combinations

df1 = pd.DataFrame({"subject": ["a", "b", "c"]})
df2 = pd.DataFrame({"subject_list": [["a", "b" ,"c"], ["b", "c"], ["a", "b"], ["b", "c"], ["c"]]})

# calculate all combinations
combs = (frozenset(c) for i in range(1, len(df1.index)+1) \
         for c in combinations(df1['subject'], i))

# initialise defaultdict
d = defaultdict(int)

# iterate combinations and lists
for comb in combs:
    for lst in df2['subject_list']:
        if set(lst) >= comb:
            d[comb] += 1

print(d)

defaultdict(int,
            {frozenset({'a'}): 2,
             frozenset({'b'}): 4,
             frozenset({'c'}): 4,
             frozenset({'a', 'b'}): 2,
             frozenset({'a', 'c'}): 1,
             frozenset({'b', 'c'}): 3,
             frozenset({'a', 'b', 'c'}): 1})

Answer 5

这是另一种方法。两个主要见解如下：

1. 我们可以首先将df2 中的每个列表与df1 的值相交。这样我们就可以避免考虑df2每一行的冗余子集。

2. 在步骤1 之后，df2 可能包含重复集。收集重复的可能会加快剩余的计算。

剩下的任务是考虑df1 的每个子集并计算出现次数。

---

import pandas as pd
import numpy as np
from itertools import combinations
from collections import Counter

df1 = pd.DataFrame({"subject": ["a", "b", "c"]})

df2 = pd.DataFrame(
    {
        "subject_list": [
            ["a", "b", "c", "x", "y", "z", "1", "2", "3"],
            ["b", "c"],
            ["a", "b"],
            ["b", "c"],
            ["c"],
        ]
    }
)

s1 = set(df1.subject.values)


def all_combs(xs):
    for k in range(1, len(xs) + 1):
        yield from combinations(xs, k)


def count_combs(xs):
    return Counter(all_combs(xs))


res = (
    df2.subject_list.apply(s1.intersection)
    .apply(frozenset)
    .value_counts()
    .reset_index()
)

# (b, c)       2
# (c, b, a)    1
# (c)          1
# (b, a)       1

res2 = res["index"].apply(df1.subject.isin).mul(res.subject_list, axis=0)
res2.columns = df1.subject

# subject  a  b  c
# 0        0  2  2
# 1        1  1  1
# 2        0  0  1
# 3        1  1  0

res3 = pd.Series(
    {
        "_".join(comb): res2[comb][(res2[comb] > 0).all(1)].sum(0).iloc[0]
        for comb in map(list, all_combs(df1.subject.values))
    }
)


# a        2
# b        4
# c        4
# a_b      2
# a_c      1
# b_c      3
# a_b_c    1
# dtype: int64