Pandas，对于一列中的每个唯一值，在另一列中获取唯一值

Question

我有一个数据框，其中每一行都包含与单个 Reddit 评论相关的各种元数据（例如作者、subreddit、评论文本）。

我想做以下事情：对于每个作者，我想获取他们拥有 cmets 的所有 subreddits 的列表，并将这些数据转换为 pandas 数据框，其中每一行对应一个作者，以及所有的列表他们评论的独特子版块。

我目前正在尝试以下一些组合，但无法完成：

尝试 1：

group = df['subreddit'].groupby(df['author']).unique()
list(group) 

尝试 2：

from collections import defaultdict
subreddit_dict  = defaultdict(list)

for index, row in df.iterrows():
    author = row['author']
    subreddit = row['subreddit']
    subreddit_dict[author].append(subreddit)

for key, value in subreddit_dict.items():
    subreddit_dict[key] = set(value)

subreddit_df = pd.DataFrame.from_dict(subreddit_dict, 
                            orient = 'index')

Answer 1

这里有两种策略可以做到这一点。毫无疑问，还有其他方法。

假设您的数据框看起来像这样某种东西（显然有更多列）：

df = pd.DataFrame({'author':['a', 'a', 'b'], 'subreddit':['sr1', 'sr2', 'sr2']})

>>> df
  author subreddit
0      a       sr1
1      a       sr2
2      b       sr2
...

解决方案 1：分组

比解决方案 2 更简单，与您的第一次尝试类似：

group = df.groupby('author')

df2 = group.apply(lambda x: x['subreddit'].unique())

# Alternatively, same thing as a one liner:
# df2 = df.groupby('author').apply(lambda x: x['subreddit'].unique())

结果：

>>> df2
author
a    [sr1, sr2]
b         [sr2]

作者是索引，单列是所有子reddits的列表它们是活跃的（根据你的描述，这就是我如何解释你想要你的输出的方式）。

如果您希望将每个子版块放在单独的列中，这可能更有用，具体取决于您想用它做什么，您可以在之后执行此操作：

df2 = df2.apply(pd.Series)

结果：

>>> df2
          0    1
author          
a       sr1  sr2
b       sr2  NaN

解决方案 2：遍历数据框

您可以创建一个包含所有唯一作者的新数据框：

df2 = pd.DataFrame({'author':df.author.unique()})

然后只需获取他们处于活动状态的所有唯一子版块的列表，并将其分配给一个新列：

df2['subreddits'] = [list(set(df['subreddit'].loc[df['author'] == x['author']])) 
    for _, x in df2.iterrows()]

这给了你这个：

>>> df2
  author  subreddits
0      a  [sr2, sr1]
1      b       [sr2]

Answer 2

通过使用sacul的样本数据

df['subreddit'].groupby(df['author']).unique().apply(pd.Series)
Out[370]: 
          0    1
author          
a       sr1  sr2
b       sr2  NaN

Answer 3

使用 groupby.agg() “聚合”函数：

*

DataFrameGroupBy.agg(arg, *args, **kwargs)：使用一或聚合 在指定轴上进行更多操作。用于的功能 聚合数据。如果是函数，则必须在传递时工作 DataFrame 或传递给 DataFrame.apply 时

df = pd.DataFrame({'numbers': [1, 2, 3, 6, 9], 'colors': ['red', 'white', 'blue', 'red', 'white']}, columns=['numbers', 'colors'])

---

df.groupby('colors', as_index=True).agg({'numbers' : {"unique" : lambda x: set(x),
                                                      "nunique" : lambda x : len(set(x))}})