панды уникальные значения несколько столбцов

134
df = pd.DataFrame({'Col1': ['Bob', 'Joe', 'Bill', 'Mary', 'Joe'],
                   'Col2': ['Joe', 'Steve', 'Bob', 'Bob', 'Steve'],
                   'Col3': np.random.random(5)})

Как лучше всего вернуть уникальные значения Col1 и Col2?

Желаемый результат

'Bob', 'Joe', 'Bill', 'Mary', 'Steve'
user2333196
источник
3
См. Также уникальные комбинации значений в выбранных столбцах во фрейме данных pandas и подсчитайте для другого, но связанного вопроса. Выбранный ответ там используетdf1.groupby(['A','B']).size().reset_index().rename(columns={0:'count'})
Поль Руже

Ответы:

198

pd.unique возвращает уникальные значения из входного массива, столбца или индекса DataFrame.

Входные данные для этой функции должны быть одномерными, поэтому необходимо объединить несколько столбцов. Самый простой способ - выбрать нужные столбцы, а затем просмотреть значения в упорядоченном массиве NumPy. Вся операция выглядит так:

>>> pd.unique(df[['Col1', 'Col2']].values.ravel('K'))
array(['Bob', 'Joe', 'Bill', 'Mary', 'Steve'], dtype=object)

Обратите внимание, что ravel()это метод массива, который возвращает представление (если возможно) многомерного массива. Аргумент 'K'указывает методу сглаживать массив в том порядке, в котором элементы хранятся в памяти (pandas обычно хранит базовые массивы в непрерывном порядке Fortran ; столбцы перед строками). Это может быть значительно быстрее, чем использование порядка «C» по умолчанию.


Альтернативный способ - выбрать столбцы и передать их np.unique:

>>> np.unique(df[['Col1', 'Col2']].values)
array(['Bill', 'Bob', 'Joe', 'Mary', 'Steve'], dtype=object)

В этом нет необходимости, ravel()поскольку метод обрабатывает многомерные массивы. Даже в этом случае это, вероятно, будет медленнее, чем pd.uniqueпри использовании алгоритма на основе сортировки, а не хеш-таблицы для определения уникальных значений.

Разница в скорости значительна для больших DataFrames (особенно, если есть только несколько уникальных значений):

>>> df1 = pd.concat([df]*100000, ignore_index=True) # DataFrame with 500000 rows
>>> %timeit np.unique(df1[['Col1', 'Col2']].values)
1 loop, best of 3: 1.12 s per loop

>>> %timeit pd.unique(df1[['Col1', 'Col2']].values.ravel('K'))
10 loops, best of 3: 38.9 ms per loop

>>> %timeit pd.unique(df1[['Col1', 'Col2']].values.ravel()) # ravel using C order
10 loops, best of 3: 49.9 ms per loop
Алекс Райли
источник
2
Как вернуть фрейм данных вместо массива?
Lisle
1
@Lisle: оба метода возвращают массив NumPy, поэтому вам придется создать его вручную, например pd.DataFrame(unique_values). Нет хорошего способа напрямую вернуть DataFrame.
Alex Riley
@Lisle, поскольку он использовал pd.unique, он возвращает numpy.ndarray в качестве окончательного вывода. Это то, о чем вы спрашивали?
Ash Upadhyay
1
@Lisle, может, этот df = df.drop_duplicates (subset = ['C1', 'C2', 'C3'])?
картофель щекотки
14

Я установил DataFrameнесколько простых строк в столбцах:

>>> df
   a  b
0  a  g
1  b  h
2  d  a
3  e  e

Вы можете объединить интересующие вас столбцы и вызвать uniqueфункцию:

>>> pandas.concat([df['a'], df['b']]).unique()
array(['a', 'b', 'd', 'e', 'g', 'h'], dtype=object)
Майк
источник
7
In [5]: set(df.Col1).union(set(df.Col2))
Out[5]: {'Bill', 'Bob', 'Joe', 'Mary', 'Steve'}

Или:

set(df.Col1) | set(df.Col2)
Джеймс Литтл
источник
3

Обновленное решение с использованием numpy v1.13 + требует указания оси в np.unique при использовании нескольких столбцов, в противном случае массив неявно сглаживается.

import numpy as np

np.unique(df[['col1', 'col2']], axis=0)

Это изменение было внесено в ноябре 2016 г .: https://github.com/numpy/numpy/commit/1f764dbff7c496d6636dc0430f083ada9ff4e4be

erikreed
источник
1

Не pandasрешение: использование set ().

import pandas as pd
import numpy as np

df = pd.DataFrame({'Col1' : ['Bob', 'Joe', 'Bill', 'Mary', 'Joe'],
              'Col2' : ['Joe', 'Steve', 'Bob', 'Bob', 'Steve'],
               'Col3' : np.random.random(5)})

print df

print set(df.Col1.append(df.Col2).values)

Вывод:

   Col1   Col2      Col3
0   Bob    Joe  0.201079
1   Joe  Steve  0.703279
2  Bill    Bob  0.722724
3  Mary    Bob  0.093912
4   Joe  Steve  0.766027
set(['Steve', 'Bob', 'Bill', 'Joe', 'Mary'])
NullDev
источник
1

для тех из нас, кто любит все вещи pandas, apply и, конечно же, лямбда-функции:

df['Col3'] = df[['Col1', 'Col2']].apply(lambda x: ''.join(x), axis=1)
Лиль
источник
1

вот другой способ


import numpy as np
set(np.concatenate(df.values))
мюонов
источник
0
list(set(df[['Col1', 'Col2']].as_matrix().reshape((1,-1)).tolist()[0]))

Результатом будет ['Мэри', 'Джо', 'Стив', 'Боб', 'Билл'].

smishra
источник