Pandas уникальные значения нескольких столбцов

Ответ 1

pd.unique возвращает уникальные значения из входного массива или столбца или индекса DataFrame.

Входные данные для этой функции должны быть одномерными, поэтому необходимо объединить несколько столбцов. Самый простой способ - выбрать нужные столбцы, а затем просмотреть значения в плоском массиве NumPy. Вся операция выглядит так:

>>> pd.unique(df[['Col1', 'Col2']].values.ravel('K'))
array(['Bob', 'Joe', 'Bill', 'Mary', 'Steve'], dtype=object)

Обратите внимание, что ravel() - это метод массива, который возвращает представление (если возможно) многомерного массива. Аргумент 'K' указывает методу выравнивать массив в порядке, в котором элементы хранятся в памяти (pandas обычно хранит базовые массивы в смежном с Фортраном порядке; столбцы перед строками). Это может быть значительно быстрее, чем при использовании метода "C" по умолчанию.

Альтернативный способ - выбрать столбцы и передать их в np.unique:

>>> np.unique(df[['Col1', 'Col2']].values)
array(['Bill', 'Bob', 'Joe', 'Mary', 'Steve'], dtype=object)

Здесь нет необходимости использовать ravel() как метод обрабатывает многомерные массивы. Тем не менее, это, вероятно, будет медленнее, чем pd.unique поскольку он использует алгоритм на основе сортировки, а не хеш-таблицу для идентификации уникальных значений.

Разница в скорости значительна для больших DataFrames (особенно если есть только несколько уникальных значений):

>>> df1 = pd.concat([df]*100000, ignore_index=True) # DataFrame with 500000 rows
>>> %timeit np.unique(df1[['Col1', 'Col2']].values)
1 loop, best of 3: 1.12 s per loop

>>> %timeit pd.unique(df1[['Col1', 'Col2']].values.ravel('K'))
10 loops, best of 3: 38.9 ms per loop

>>> %timeit pd.unique(df1[['Col1', 'Col2']].values.ravel()) # ravel using C order
10 loops, best of 3: 49.9 ms per loop

Ответ 2

У меня есть установка DataFrame с несколькими простыми строками в ней:

>>> df
   a  b
0  a  g
1  b  h
2  d  a
3  e  e

Вы можете объединить интересующие вас столбцы и вызвать функцию unique:

>>> pandas.concat([df['a'], df['b']]).unique()
array(['a', 'b', 'd', 'e', 'g', 'h'], dtype=object)

Ответ 3

In [5]: set(df.Col1).union(set(df.Col2))
Out[5]: {'Bill', 'Bob', 'Joe', 'Mary', 'Steve'}

Или:

set(df.Col1) | set(df.Col2)

Ответ 4

Не-pandas решение: с помощью set().

import pandas as pd
import numpy as np

df = pd.DataFrame({'Col1' : ['Bob', 'Joe', 'Bill', 'Mary', 'Joe'],
              'Col2' : ['Joe', 'Steve', 'Bob', 'Bob', 'Steve'],
               'Col3' : np.random.random(5)})

print df

print set(df.Col1.append(df.Col2).values)

Вывод:

   Col1   Col2      Col3
0   Bob    Joe  0.201079
1   Joe  Steve  0.703279
2  Bill    Bob  0.722724
3  Mary    Bob  0.093912
4   Joe  Steve  0.766027
set(['Steve', 'Bob', 'Bill', 'Joe', 'Mary'])

Ответ 5

Обновленное решение с использованием numpy v1.13 + требует указания оси в np.unique, если используется несколько столбцов, иначе массив неявно сплющенные.

import numpy as np

np.unique(df[['col1', 'col2']], axis=0)

Это изменение было введено в ноябре 2016 года: https://github.com/numpy/numpy/commit/1f764dbff7c496d6636dc0430f083ada9ff4e4be

Ответ 6

для тех из нас, кто любит все вещи, панды, применять и, конечно, лямбда-функции:

df['Col3'] = df[['Col1', 'Col2']].apply(lambda x: ''.join(x), axis=1)

Ответ 7

np.unique(df.values.flatten())