替换 pandas 数据框中很少出现的值

我有一个中等大（约 60,000 行 x 15 列）的 csv 文件，我正在使用 pandas 处理它。每行代表一个人并包含个人数据。我想匿名呈现数据。我想要这样做的一种方法是替换特定列中罕见的值。我最初尝试这样做：

def clean_data(entry):
    if df[df.column_name == entry].index.size < 10:
        return 'RARE_VALUE'
    else:
        return entry

df.new_column_name = df.column_name.apply(clean_data)

但每次运行它都会冻结我的系统。不幸的是，这意味着我没有有用的调试数据。有谁知道执行此操作的正确方法？该列包含字符串和空值。

我想你想按列名称分组：

g = df.groupby('column_name')

例如，您可以使用过滤器来仅返回那些在 column_name 中出现超过 10 次的内容的行：

g.filter(lambda x: len(x) >= 10)

要使用“RARE_VALUE”覆盖列，您可以使用转换（计算结果once对于每个组，并适当地分散它）：

df.loc[g[col].transform(lambda x: len(x) < 10).astype(bool), col] = 'RARE_VALUE'

正如 DSM 指出的，以下技巧是much faster:

df.loc[df[col].value_counts()[df[col]].values < 10, col] = "RARE_VALUE"

以下是一些 timeit 信息（以显示 DSM 的解决方案是多么令人印象深刻！）：

In [21]: g = pd.DataFrame(np.random.randint(1, 100, (1000, 2))).groupby(0)

In [22]: %timeit g.filter(lambda x: len(x) >= 10)
10 loops, best of 3: 67.2 ms per loop

In [23]: %timeit df.loc[g[1].transform(lambda x: len(x) < 10).values.astype(bool), 1]
10 loops, best of 3: 44.6 ms per loop

In [24]: %timeit df.loc[df[1].value_counts()[df[1]].values < 10, 1]
1000 loops, best of 3: 1.57 ms per loop