pandas 根据另一列中的值生成一个新列，考虑重复项

Question

我正在研究一个dataframe，它有一列，每个值都是一个列表，现在我想派生一个新列，它只考虑大小大于 1 的列表，为相应的行分配一个唯一整数ID。如果两个列表中的元素相同但顺序不同，则应为这两个列表分配相同的 id。一个示例dataframe 就像，

document_no_list    cluster_id
[1,2,3]             1
[3,2,1]             1
[4,5,6,7]           2
[8]                 0
[9,10]              3
[10,9]              3 

列cluster_id只考虑第1、2、3、5、6行，每行的大小都大于1，并为其在列中对应的单元格分配一个唯一的整数id，同样是[1,2,3]， [3,2,1] 和 [9,10]、[10,9] 应分配相同的 cluster_id。

我在没有考虑重复列表值的情况下问了一个类似的问题，在

pandas how to derived values for a new column base on another column

我想知道如何在 pandas 中做到这一点。

Answer 1

首先，您需要分配具有列表长度的列，以及将列表作为集合对象排序的另一列：

df['list_len'] = df.document_no_list.apply(len)
df['list_sorted'] = df.document_no_list.apply(sorted)

那么你需要为每个set排序列表分配cluster_id：

ids = df.loc[df.list_len > 1, ['list_sorted']].drop_duplicates()
ids['cluster_id'] = range(1,len(ids)+1)

将其加入原始数据框，并用零填充尚未加入的任何内容（单例）：

df.merge(ids, how = 'left').fillna({'cluster_id':0})