python - 使用 Pandas 计算每个组的唯一值

Question

我需要计算ID每个domain.

我有数据：

ID, domain
123, 'vk.com'
123, 'vk.com'
123, 'twitter.com'
456, 'vk.com'
456, 'facebook.com'
456, 'vk.com'
456, 'google.com'
789, 'twitter.com'
789, 'vk.com'

我试试df.groupby(['domain', 'ID']).count()

但我想得到

domain, count
vk.com   3
twitter.com   2
facebook.com   1
google.com   1

Answer 1

你需要nunique：

df = df.groupby('domain')['ID'].nunique()

print (df)
domain
'facebook.com'    1
'google.com'      1
'twitter.com'     2
'vk.com'          3
Name: ID, dtype: int64

如果你需要字符：strip '

df = df.ID.groupby([df.domain.str.strip("'")]).nunique()
print (df)
domain
facebook.com    1
google.com      1
twitter.com     2
vk.com          3
Name: ID, dtype: int64

或者正如Jon Clements评论的那样：

df.groupby(df.domain.str.strip("'"))['ID'].nunique()

您可以像这样保留列名：

df = df.groupby(by='domain', as_index=False).agg({'ID': pd.Series.nunique})
print(df)
    domain  ID
0       fb   1
1      ggl   1
2  twitter   2
3       vk   3

不同之处在于nunique()返回一个Series并agg()返回一个DataFrame。

Answer 2

通常要计算单列中的不同值，您可以使用Series.value_counts：

df.domain.value_counts()

#'vk.com'          5
#'twitter.com'     2
#'facebook.com'    1
#'google.com'      1
#Name: domain, dtype: int64

要查看一列中有多少个唯一值，请使用Series.nunique：

df.domain.nunique()
# 4

要获得所有这些不同的值，您可以使用uniqueor drop_duplicates，这两个函数之间的细微差别是uniquereturn a numpy.arraywhiledrop_duplicates返回 a pandas.Series：

df.domain.unique()
# array(["'vk.com'", "'twitter.com'", "'facebook.com'", "'google.com'"], dtype=object)

df.domain.drop_duplicates()
#0          'vk.com'
#2     'twitter.com'
#4    'facebook.com'
#6      'google.com'
#Name: domain, dtype: object

---

至于这个具体问题，由于您想计算另一个变量的不同值，除了groupby此处其他答案提供的方法外，您还可以先删除重复项，然后执行value_counts()：

import pandas as pd
df.drop_duplicates().domain.value_counts()

# 'vk.com'          3
# 'twitter.com'     2
# 'facebook.com'    1
# 'google.com'      1
# Name: domain, dtype: int64

Answer 3

df.domain.value_counts()

>>> df.domain.value_counts()

vk.com          5

twitter.com     2

google.com      1

facebook.com    1

Name: domain, dtype: int64

Answer 4

如果我理解正确，您需要ID每个 s的不同数量domain。然后你可以试试这个：

output = df.drop_duplicates()
output.groupby('domain').size()

输出：

    domain
facebook.com    1
google.com      1
twitter.com     2
vk.com          3
dtype: int64

您也可以使用value_counts，效率稍低。但最好的是Jezrael 的回答是nunique：

%timeit df.drop_duplicates().groupby('domain').size()
1000 loops, best of 3: 939 µs per loop
%timeit df.drop_duplicates().domain.value_counts()
1000 loops, best of 3: 1.1 ms per loop
%timeit df.groupby('domain')['ID'].nunique()
1000 loops, best of 3: 440 µs per loop