我有一个数据框,在第一列中包含人的ID。每个人最多可以有3个其他人被分配到一个具有唯一性的组(或簇)。一个人的相关“CO\u ID”存储在其他3列中。如果一个人是单独的,也就是说,没有其他人分配给他,不管怎样,它应该被认为是在一个人的集群中,其他列的值是nan。这同样适用于只分配给另一个人的人,例如:在这种情况下,一列包含“CO\u ID”,而另两列为nan。你知道吗
我想知道如何通过一个称为“CLUSTER”的附加列将这些(通过已经明确确定的CO\u ID列)集群分配给每个ID?有预构建功能吗?你知道吗
从所提供的示例数据中可以明显看出,“cou ID”的顺序并不重要(对于ID=ID1,cou ID1=ID2和cou ID2=ID3或cou ID1=ID3和cou ID2=ID2并不重要)。你知道吗
输入数据df1如下所示:
import pandas as pd
import numpy as np
df1 = pd.DataFrame({'ID' : ['ID1','ID2','ID3','ID4','ID5','ID6','ID7','ID8','ID9','ID10'] ,
'CO_ID1' : ['ID2','ID1','ID2','ID6','ID8','ID4','ID4','ID5', np.nan, 'ID4'],
'CO_ID2' : ['ID3','ID3','ID1', 'ID7', np.nan, 'ID7','ID6', np.nan, np.nan, 'ID6'],
'CO_ID3' : [np.nan, np.nan, np.nan, 'ID10', np.nan, 'ID10', 'ID10', np.nan, np.nan, 'ID7']})
Out[1]:
ID CO_ID1 CO_ID2 CO_ID3
0 ID1 ID2 ID3 NaN
1 ID2 ID1 ID3 NaN
2 ID3 ID2 ID1 NaN
3 ID4 ID6 ID7 ID10
4 ID5 ID8 NaN NaN
5 ID6 ID4 ID7 ID10
6 ID7 ID4 ID6 ID10
7 ID8 ID5 NaN NaN
8 ID9 NaN NaN NaN
9 ID10 ID4 ID6 ID7
期望的输出数据df2如下所示:
df2 = pd.DataFrame({'ID' : ['ID1','ID2','ID3','ID4','ID5','ID6','ID7','ID8','ID9','ID10'] ,
'CO_ID1' : ['ID2','ID1','ID2','ID6','ID8','ID4','ID4','ID5', np.nan, 'ID4'],
'CO_ID2' : ['ID3','ID3','ID1', 'ID7', np.nan, 'ID7','ID6', np.nan, np.nan, 'ID6'],
'CO_ID3' : [np.nan, np.nan, np.nan, 'ID10', np.nan, 'ID10', 'ID10', np.nan, np.nan, 'ID7'],
'Cluster' : ['C1','C1','C1','C2','C3','C2','C2','C3','C4','C2']})
Out[2]:
ID CO_ID1 CO_ID2 CO_ID3 Cluster
0 ID1 ID2 ID3 NaN C1
1 ID2 ID1 ID3 NaN C1
2 ID3 ID2 ID1 NaN C1
3 ID4 ID6 ID7 ID10 C2
4 ID5 ID8 NaN NaN C3
5 ID6 ID4 ID7 ID10 C2
6 ID7 ID4 ID6 ID10 C2
7 ID8 ID5 NaN NaN C3
8 ID9 NaN NaN NaN C4
9 ID10 ID4 ID6 ID7 C2
按行应用
frozenset
创建可散列且有序的不同组(因此它们出现在哪一行是不相关的)。按这些分组并使用ngroup
标记每个不同的组。你知道吗输出
如果性能有问题,请使用
numpy
排序。我们需要用字符串替换浮动的NaN
,这样所有的值都可以跨列进行比较。你知道吗相关问题 更多 >
编程相关推荐