高效快速地实现在数据帧中查找和匹配唯一值

Question

关于以下数据帧

idx = pd.MultiIndex.from_product([['A001', 'B001','C001'],
                                  ['0', '1', '2']],
                                 names=['ID', 'Entries'])
col = ['A', 'B']

df = pd.DataFrame('-', idx, col)
df.loc['A001', 'A'] = [10,10,10]
df.loc['A001', 'B'] = [90,84,70]
df.loc['B001', 'A'] = [10,20,30]
df.loc['B001', 'B'] = [70,86,67]
df.loc['C001', 'A'] = [20,20,20]
df.loc['C001', 'B'] = [98,81,72]
df.loc['D001', 'A'] = [20,20,10]
df.loc['D001', 'B'] = [68,71,92]
#df is a dataframe
df

我想知道的ID，其中包括所有的值从一个集合或列表在他们的'a'列。让我们定义一个值为[10,20]的列表。在这种情况下，我应该得到位置“B001”和“D001”作为答案，因为这两个位置的值都在其“A”列中的列表中提到。 此外，你能建议一个更快的实施，因为我必须在真正的大数据集工作。你知道吗

Answer 1

可以使用set.intersection进行计算，使用pd.Index.get_level_values提取索引的第一级：

search = {10, 20}

idx = (set(df[df['A'] == i].index.get_level_values(0)) for i in search)

res = set.intersection(*idx)

Answer 2

基本上-

search_list = {10,20}
op = df.groupby(level=0)['A'].apply(lambda x: search_list.issubset(set(x))).reset_index()
print(op[op['A']]['ID'])

感谢@Ben.T删除了不必要的unique()

输出

1    B001
Name: ID, dtype: object

解释

df.groupby(level=0)['A']按level 0分组并给出列表-

ID
A001            [10]
B001    [10, 20, 30]
C001            [20]

接下来，对于每个列表，我们将其转换为一个集合，并检查search_list是否是一个子集。你知道吗

ID
A001    False
B001     True
C001    False

它返回一个Series布尔值，然后可以用作掩码-

print(op[op['A']]['ID'])

最终输出-

1    B001