根据用户来自的集群将值分配给用户

Question

我有两个数据框，一个包含喜欢歌曲的客户，另一个数据框包含用户及其集群。

数据 1：

user    song
A   11
A   22
B   99
B   11
C   11
D   44
C   66
E   66
D   33
E   55
F   11
F   77

数据 2：

user    cluster
A   1
B   2
C   3
D   1
E   2
F   3

使用上述数据集，我能够实现该集群的用户所听的所有歌曲。

cluster songs
    1   [11, 22, 33, 44]
    2   [11, 99, 66, 55] 
    3   [11,66,88,77]

我需要将特定集群的歌曲分配给尚未听过的特定用户。 在我的预期输出中，A 属于集群 1，他还没有听过第 33 和 44 首歌曲。所以我的输出应该如下所示。 B 同理，属于集群 2，B 没有听过 66 和 55 首歌曲，B 的输出如下所示。

预期输出：

  user  song
    A   [33, 44]
    B   [66,55]
    C   [77]
    D   [11,22]
    E   [11,99]
    F   [66]

Answer 1

不容易：

#add column and remove duplicates
df = pd.merge(df1, df2, on='user', how='left').drop_duplicates(['user','song'])

def f(x):
    #for each group reshape
    x = x.pivot('user','song','cluster')
    #get all columns values if NaNs in data  
    x = x.apply(lambda x: x.index[x.isnull()].tolist(),1)
    return x

df1 = df.groupby(['cluster']).apply(f).reset_index(level=0, drop=True).sort_index()
user
A    [33, 44]
B    [55, 66]
C        [77]
D    [11, 22]
E    [11, 99]
F        [66]
dtype: object

类似的解决方案：

df = pd.merge(df1, df2, on='user', how='left').drop_duplicates(['user','song'])
df1 = (df.groupby(['cluster']).apply(lambda x: x.pivot('user','song','cluster').isnull())
        .fillna(False)
        .reset_index(level=0, drop=True)
        .sort_index())

#replace each True by value of column
s = np.where(df1, ['{}, '.format(x) for x in df1.columns.astype(str)], '')
#remove empty values
s1 = pd.Series([''.join(x).strip(', ') for x in s], index=df1.index)
print (s1)
user
A    33, 44
B    55, 66
C        77
D    11, 22
E    11, 99
F        66
dtype: object

Answer 2

使用集合进行比较。

设置

df1

#    user  song
# 0     A    11
# 1     A    22
# 2     B    99
# 3     B    11
# 4     C    11
# 5     D    44
# 6     C    66
# 7     E    66
# 8     D    33
# 9     E    55
# 10    F    11
# 11    F    77

df2

#   user  cluster
# 0    A        1
# 1    B        2
# 2    C        3
# 3    D        1
# 4    E        2
# 5    F        3

df3

#    cluster             songs
# 0        1  [11, 22, 33, 44]
# 1        2  [11, 99, 66, 55]
# 2        3  [11, 66, 88, 77]

计算

df = df1.groupby('user')['song'].apply(set)\
        .reset_index().rename(columns={'song': 'heard'})

df['all'] = df['user'].map(df2.set_index('user')['cluster'])\
                      .map(df3.set_index('cluster')['songs'])\
                      .map(set)

df['not heard'] = df.apply(lambda row: row['all'] - row['heard'], axis=1)

结果

  user     heard               all not heard
0    A  {11, 22}  {33, 11, 44, 22}  {33, 44}
1    B  {11, 99}  {99, 66, 11, 55}  {66, 55}
2    C  {66, 11}  {88, 66, 11, 77}  {88, 77}
3    D  {33, 44}  {33, 11, 44, 22}  {11, 22}
4    E  {66, 55}  {99, 66, 11, 55}  {11, 99}
5    F  {11, 77}  {88, 66, 11, 77}  {88, 66}

提取您需要的任何列；转换为列表很简单，即df[col] = df[col].map(list)。

说明

有3个步骤：

1. 将列表转换为集合，并将用户听到的歌曲汇总到集合。
2. 执行映射以将所有数据放在一个表中。
3. 添加一个计算两组之间差异的列。