如何高效地重新编码和计数

我有一个大的 csv，每行三个字符串，形式如下：

a,c,d
c,a,e
f,g,f
a,c,b
c,a,d
b,f,s
c,a,c

我在前两列中将字符串重新编码为整数，然后删除重复项，计算每行有多少个副本，如下所示：

import pandas as pd
df = pd.read_csv("test.csv", usecols=[0,1], prefix="ID_", header=None)
letters = set(df.values.flat)
df.replace(to_replace=letters, value=range(len(letters)), inplace=True)
df1 = df.groupby(['ID_0', 'ID_1']).size().rename('count').reset_index()
print df1

这给出：

   ID_0  ID_1  count
0     0     1      2
1     1     0      3
2     2     4      1
3     4     3      1

这正是我所需要的。

然而，由于我的数据很大，我想做出两项改进。

• How can I do the groupby and then recode instead of the other way round? The problem is that I can't do df1[['ID_0','ID_0']].replace(to_replace=letters, value=range(len(letters)), inplace = True). This gives the error

  “试图在 DataFrame 的切片副本上设置一个值”

• 如何避免创建 df1？那就是把所有事情都就地完成。

我喜欢用sklearn.preprocessing.LabelEncoder http://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.LabelEncoder.html进行字母到数字的转换：

from sklearn.preprocessing import LabelEncoder

# Perform the groupby (before converting letters to digits).
df = df.groupby(['ID_0', 'ID_1']).size().rename('count').reset_index()

# Initialize the LabelEncoder.
le = LabelEncoder()
le.fit(df[['ID_0', 'ID_1']].values.flat)

# Convert to digits.
df[['ID_0', 'ID_1']] = df[['ID_0', 'ID_1']].apply(le.transform)

结果输出：

   ID_0  ID_1  count
0     0     2      2
1     1     3      1
2     2     0      3
3     3     4      1

如果您想稍后再转换回字母，可以使用le.inverse_transform:

df[['ID_0', 'ID_1']] = df[['ID_0', 'ID_1']].apply(le.inverse_transform)

它按预期映射回来：

  ID_0 ID_1  count
0    a    c      2
1    b    f      1
2    c    a      3
3    f    g      1

如果您只想知道哪个数字对应哪个字母，您可以查看le.classes_属性。这将为您提供一个字母数组，该数组按其编码的数字进行索引：

le.classes_ 

['a' 'b' 'c' 'f' 'g']

为了获得更直观的表示，您可以将其转换为系列：

pd.Series(le.classes_)

0    a
1    b
2    c
3    f
4    g

Timings

使用更大版本的示例数据和以下设置：

df2 = pd.concat([df]*10**5, ignore_index=True)

def root(df):
    df = df.groupby(['ID_0', 'ID_1']).size().rename('count').reset_index()
    le = LabelEncoder()
    le.fit(df[['ID_0', 'ID_1']].values.flat)
    df[['ID_0', 'ID_1']] = df[['ID_0', 'ID_1']].apply(le.transform)
    return df

def pir2(df):
    unq = np.unique(df)
    mapping = pd.Series(np.arange(unq.size), unq)
    return df.stack().map(mapping).unstack() \
      .groupby(df.columns.tolist()).size().reset_index(name='count')

我得到以下时间：

%timeit root(df2)
10 loops, best of 3: 101 ms per loop

%timeit pir2(df2)
1 loops, best of 3: 1.69 s per loop