python - 如何计算具有多个逗号分隔值的列中某个单词的实例数?

标签 python pandas dataframe

所以我基本上是在分析调查数据集。数据集如下所示:

   Respondent       Country           HaveWorkedLanguage
0     1             United States     Swift
1     2             United Kingdom    JavaScript; Python; Ruby; SQL
2     3             United Kingdom    Java; PHP; Python
3     4             United States     Matlab; Python; R; SQL
4     5             Switzerland       NaN
5     6             New Zealand       JavaScript; PHP; Rust

正如您所看到的,HaveWorkedLanguage 列的每个单元格中都有包含单个值或多个值的实例。我想做的是分析每个国家最著名的语言。为此,我首先执行了这样的分组:

stu=students.groupby(['Country','HaveWorkedLanguage'])['Respondent'].count().reset_index()
stu.columns=[['Country','Known_Languages','Count']]

我得到了一个像这样的数据框:

    Country         Known_Languages                             Count
0   Afghanistan     Assembly; C; C++; Hack; Java; JavaScript    1
1   Afghanistan     C                                           1
2   Albania         C#; Java; Python; SQL                       1
3   Albania         C++; C#; Java; JavaScript; PHP              1
4   Albania         C++; C#; JavaScript; SQL                    1
5   Albania         C++; Java; JavaScript; PHP; SQL             2

我实际上想要一个显示国家/地区和每种语言的数量的数据框,以便最高的计数显示最著名的语言。数据框应该是这样的:

      Country           Known_Languages     Count
0     United States    Java                 100
1     United States    Python               80

之前我可以使用以下代码找到整个著名语言:

for i in ['C','C++','C#','Java','Python','R','JavaScript']:
    print(i,':',survey['HaveWorkedLanguage'].apply(lambda x: i in str(x).split('; ')).value_counts()[1]) 

输出是:

C : 6974
C++ : 8155
C# : 12476
Java : 14524
Python : 11704
R : 1634
JavaScript : 22875

但现在我也想把这个国家与它联系起来。我该怎么做?

最佳答案

hwl = students.HaveWorkedLanguage
cty = students.Country
stu = hwl.str.get_dummies('; ').groupby(cty).sum()
pd.concat(
    [stu.idxmax(1), stu.max(1)],
    axis=1, keys=['Lang', 'Count']
)

                      Lang  Count
Country                          
New Zealand     JavaScript      1
Switzerland           Java      0
United Kingdom      Python      2
United States       Matlab      1

项目/杀死
numpy 技术

mask = students.HaveWorkedLanguage.notnull().values
fc, uc = pd.factorize(students.Country.values.astype(str))
hwl = students.HaveWorkedLanguage.values.astype(str)
lol = np.core.defchararray.split(hwl, '; ')
lol[np.flatnonzero(~mask)] = [[]]
i = fc.repeat([len(l) for l in lol])
j, ul = pd.factorize(np.concatenate(lol))
n = uc.size
m = ul.size
counts = np.bincount(i * m + j, minlength=n * m).reshape(n, m)
x = counts.argmax(1)
pd.DataFrame(
    np.column_stack([ul[x], counts[np.arange(n), x]]),
    uc, ['Lang', 'Count'])

                      Lang Count
United States        Swift     1
United Kingdom      Python     2
Switzerland          Swift     0
New Zealand     JavaScript     1

时机

%%timeit
hwl = students.HaveWorkedLanguage
cty = students.Country
stu = hwl.str.get_dummies('; ').groupby(cty).sum()
pd.concat(
    [stu.idxmax(1), stu.max(1)],
    axis=1, keys=['Lang', 'Count']
)
100 loops, best of 3: 3.22 ms per loop

%%timeit
mask = students.HaveWorkedLanguage.notnull().values
fc, uc = pd.factorize(students.Country.values.astype(str))
hwl = students.HaveWorkedLanguage.values.astype(str)
lol = np.core.defchararray.split(hwl, '; ')
lol[np.flatnonzero(~mask)] = [[]]
i = fc.repeat([len(l) for l in lol])
j, ul = pd.factorize(np.concatenate(lol))
n = uc.size
m = ul.size
counts = np.bincount(i * m + j, minlength=n * m).reshape(n, m)
x = counts.argmax(1)
pd.DataFrame(np.column_stack([ul[x], counts[np.arange(n), x]]), uc, ['Lang', 'Count'])
1000 loops, best of 3: 570 µs per loop

关于python - 如何计算具有多个逗号分隔值的列中某个单词的实例数?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/44580587/

相关文章:

python - 从数据框中的每一列中查找最大值

python - 如何在 Django 中将动态 html 页面转换为 pdf?

python - 将单个 DataFrame 行分解为多个行

python - 合并 pandas DataFrame 中的两列

Python:打印函数内的 Lambda

python - 为什么在循环中浏览元组会给我字符串的第一个字符?

python - 如何将这些包含字符串的 pandas 列转换为 float ,同时保持其含义?

python - FuzzyWuzzy - 循环列表,匹配接受的值,并返回数据帧

python - 有没有办法改变数据帧字典中数据帧的列中的值?

python - 无法重命名 pandas DataFrame 中的第一列