我遇到了一个问题,我试图使用人行横道将数据集中的代码A
与代码B
进行匹配。例如,这些可能是1990年和1991年的行业代码,人口普查改变了他们对行业的编码方式。如果我可以创建一个协调代码,我可以使用该代码来跟踪相同的行业(或新的行业组,如果必要的话)。它们提供了一条人行横道,如下所示:
import pandas as pd
import numpy as np
df = pd.DataFrame([
[0,0],
[1,2],
[1,3],
[2,4],
[3,4],
[4,5],
[4,6],
[5,5],
[10,11],
[10,13],
[11,11]
], columns=list('AB'))
df
A B
0 0 0
1 1 2
2 1 3
3 2 4
4 3 4
5 4 5
6 4 6
7 5 5
8 10 11
9 10 13
10 11 11
因此,我想要的输出将是一个新列,它定义了A
和B
中的非重叠代码。例如,考虑下面的预期结果:
A B C
0 0 0 0.0
1 1 2 1.0
2 1 3 1.0
3 2 4 2.0
4 3 4 2.0
5 4 5 3.0
6 4 6 3.0
7 5 5 3.0
8 10 11 4.0
9 10 13 4.0
10 11 11 4.0
我已经开始通过先完成简单的部分来回答这个问题。这些是(一对多)1:m
和(多对一)m:1
匹配,我可以简单地分配一个公共值
sizesA = df.groupby('A').size()
sizesB = df.groupby('B').size()
df['sizeA'] = df['A'].map(sizesA)
df['sizeB'] = df['B'].map(sizesB)
df['C'] = np.nan
next_v = 0
# 1:m matching
for a in df[df.sizeA>=1].A.unique():
if df[df.A==a]['sizeB'].max()==1:
df['C'] = np.where(df['A']==a, next_v, df['C'])
next_v += 1
# m:1 matching
for b in df[df.sizeB>1].B.unique():
if df[df.B==b]['sizeA'].max()==1:
df['C'] = np.where(df['B']==b, next_v, df['C'])
next_v += 1
df
A B sizeA sizeB C
0 0 0 1 1 0.0
1 1 2 2 1 1.0
2 1 3 2 1 1.0
3 2 4 1 2 2.0
4 3 4 1 2 2.0
5 4 5 2 2 NaN
6 4 6 2 1 NaN
7 5 5 1 2 NaN
8 10 11 2 2 NaN
9 10 13 2 1 NaN
10 11 11 1 2 NaN
问题在于(多对多)m:m
匹配。我似乎想不出一个好办法来解决这个问题,我猜这是一个计算上很难解决的问题。请注意,我可以只在单个代码上分配剩余的值,但这将忽略一个事实,即我可以将它们划分为两个不同的代码,并且仍然保持一致性
另外,如果您对标题有任何建议,请告诉我
我真的想出了一个解决办法。也许没那么优雅
C需要从0开始还是可以从1开始?我只是减去1,这样你就可以从0开始。你可以根据自己的需要调整它
使用cumcount和cumsum应该会更容易
相关问题 更多 >
编程相关推荐