4

我在 pandas 数据框中有一列，其中包含大量标签列表：

>>> data['SPLIT'].head(10)
0    [33.23, 88.72, 38.93, E931.7, V09.0, 041.11, 5...
1    [99.04, 38.06, 39.57, 00.91, 55.69, V15.82, 27...
2    [96.04, 96.72, 401.9, 276.5, 584.9, 428.0, 507...
3    [96.6, 99.15, 99.83, V29.0, 765.15, 765.25, 77...
4    [96.71, 96.04, 54.12, 99.60, 38.93, 99.15, 53....
5    [88.72, 37.61, 39.61, 36.15, 36.12, 272.0, 401...
6    [38.93, 88.72, 37.31, 272.4, 719.46, 722.0, 31...
7    [88.72, 39.61, 35.71, 272.4, V12.59, 458.29, 7...
8    [97.44, 99.04, 88.56, 37.23, 39.95, 38.95, 00....
9    [00.14, 89.61, 39.95, E878.8, 244.9, 443.9, 18...

我要做的是遍历所有这些列表以查找每个值的总出现次数，以便我可以找到 50 个最常出现的值。

这是我使用的运行速度非常慢的代码：

test = pd.Series(sum([item for item in data.SPLIT], [])).value_counts()

我试图在外面编写一个函数来循环遍历列表并找到计数，但这也很慢。

有什么方法可以修改这些数据或在 pandas 中使用与类似性能类似的函数df.groupby.count()？

我确实在 google 和 stackoverflow 上搜索了半小时，但没有一个答案具有更好的性能。我一直在尝试找出一种方法来展平列表或找到一种方法以更快的速度映射计数（迭代 500k 行，每个列表的长度各不相同，有些可能长达 512，其他短至 2)。

4

2 回答 2

7

使用带有展平的列表推导sum：

test = pd.Series([x for item in data.SPLIT for x in item]).value_counts()

或按以下方式展平chain.from_iterable：

from itertools import chain

test = pd.Series(list(chain.from_iterable(data.SPLIT))).value_counts()

或者也使用collections.Counter：

from itertools import chain
from collections import Counter

test = pd.Series(Counter(chain.from_iterable(data.SPLIT)))

或者：

import functools, operator

test = pd.Series(functools.reduce(operator.iconcat, data.SPLIT, [])).value_counts()

纯熊猫解决方案：

test = pd.DataFrame(data.SPLIT.values.tolist()).stack().value_counts()
于 2019-04-14T07:27:33.330 回答
2

这个怎么样？

import pandas as pd

split = data["SPLIT"].apply(pd.Series)
split = split.rename(columns = lambda x : 'val_' + str(x))
split.melt(value_name="val").groupby(["val"]).size()
于 2019-04-14T07:50:13.570 回答