我有一个数据框,其中每一行都包含与单个 Reddit 评论(例如作者、subreddit、评论文本)相关的各种元数据。
我想做以下事情:对于每个作者,我想获取他们在其中发表评论的所有 subreddits 的列表,并将此数据转换为 pandas 数据框,其中每一行对应一个作者,以及所有的列表他们发表评论的独特子版 block 。
我目前正在尝试以下的一些组合,但无法理解:
尝试 1:
group = df['subreddit'].groupby(df['author']).unique()
list(group)
尝试 2:
from collections import defaultdict
subreddit_dict = defaultdict(list)
for index, row in df.iterrows():
author = row['author']
subreddit = row['subreddit']
subreddit_dict[author].append(subreddit)
for key, value in subreddit_dict.items():
subreddit_dict[key] = set(value)
subreddit_df = pd.DataFrame.from_dict(subreddit_dict,
orient = 'index')
最佳答案
这里有两种策略可以做到这一点。毫无疑问,还有其他方法。
假设您的数据框看起来像这样(显然有更多列):
df = pd.DataFrame({'author':['a', 'a', 'b'], 'subreddit':['sr1', 'sr2', 'sr2']})
>>> df
author subreddit
0 a sr1
1 a sr2
2 b sr2
...
解决方案 1:groupby
比解决方案 2 更直接,并且类似于您的第一次尝试:
group = df.groupby('author')
df2 = group.apply(lambda x: x['subreddit'].unique())
# Alternatively, same thing as a one liner:
# df2 = df.groupby('author').apply(lambda x: x['subreddit'].unique())
结果:
>>> df2
author
a [sr1, sr2]
b [sr2]
作者是索引,单列是他们活跃的所有子版 block 的列表(根据您的描述,这就是我解释您想要输出的方式)。
如果你希望每个子版 block 都在一个单独的列中,这可能更有用,具体取决于你想用它做什么,你可以在之后这样做:
df2 = df2.apply(pd.Series)
结果:
>>> df2
0 1
author
a sr1 sr2
b sr2 NaN
解决方案 2:遍历数据框
您可以创建一个包含所有唯一作者的新数据框:
df2 = pd.DataFrame({'author':df.author.unique()})
然后只获取他们活跃的所有独特子目录的列表,并将其分配给新列:
df2['subreddits'] = [list(set(df['subreddit'].loc[df['author'] == x['author']]))
for _, x in df2.iterrows()]
这给了你这个:
>>> df2
author subreddits
0 a [sr2, sr1]
1 b [sr2]
关于python - Pandas ,对于一列中的每个唯一值,在另一列中获取唯一值,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/48979604/