在每一列的DataFrame中查找不同元素的数量
我正在尝试使用Pandas查找每列中不同值的计数。这就是我所做的。
import pandas as pd
import numpy as np
# Generate data.
NROW = 10000
NCOL = 100
df = pd.DataFrame(np.random.randint(1, 100000, (NROW, NCOL)),
columns=['col' + x for x in np.arange(NCOL).astype(str)])
我需要计算每一列的不同元素的数量，如下所示：
col0 9538
col1 9505
col2 9524
什么是最有效的方法，因为此方法将应用于大小大于1.5GB的文件？
根据答案，df.apply(lambda x: len(x.unique()))是最快的（笔记本）。
%timeit df.apply(lambda x: len(x.unique())) 10 loops, best of 3: 49.5 ms per loop %timeit df.nunique() 10 loops, best of 3: 59.7 ms per loop %timeit df.apply(pd.Series.nunique) 10 loops, best of 3: 60.3 ms per loop %timeit df.T.apply(lambda x: x.nunique(), axis=1) 10 loops, best of 3: 60.5 ms per loop
问题答案：
从 熊猫0.20开始， 我们可以nunique直接在DataFrames上使用，即：
df.nunique()
a 4
b 5
c 1
dtype: int64
其他旧选项：
您可以对df进行转置，然后逐行apply调用nunique：
In [205]:
df = pd.DataFrame({'a':[0,1,1,2,3],'b':[1,2,3,4,5],'c':[1,1,1,1,1]})
df
Out[205]:
a b c
0 0 1 1
1 1 2 1
2 1 3 1
3 2 4 1
4 3 5 1
In [206]:
df.T.apply(lambda x: x.nunique(), axis=1)
Out[206]:
a 4
b 5
c 1
dtype: int64
编辑
正如@ajcr指出的，转置是不必要的：
In [208]:
df.apply(pd.Series.nunique)
Out[208]:
a 4
b 5
c 1
dtype: int64
-
问题内容： 所以这是我的代码： 包含一个整数列表。我想比较于并打印出不在的数字相比时。 当不能比较时，我可以打印其中的元素，但是当我尝试使用上面的代码进行相反操作时，则什么也不会打印。 有什么帮助吗？ 问题答案： 您的代码没有按照我认为的方式执行。该行将遍历，每次等于的一个元素。因此，在执行任何操作之前，原始列表将被覆盖。 我想你想要这样的东西： 但是您可以轻松地执行以下操作： 或（如果您不介意丢
-
我有一个数据框，有3列，如下所示： 我想添加列，它是中一些列的总和，但不是每行的同一列，例如 只有第1行和第3行是同一列的和，第0行和第2行是其他列的和。 我在Stack over flow上发现的总是整个数据帧的特定列，但在本例中是不同的。 我能做的最好的方法是什么？
-
在一个14节点的Google Dataproc集群中，我有大约600万个名字，它们被两个不同的系统转换为ID:和。每个包含、和。我的目标是生成从到的映射，以便对于每个，对应的是附加到的所有名称中最常见的id。 让我们试着用一个例子来澄清一下。如果我有以下行： 我的目标是生成从到的映射。实际上，与关联的名称是、和，它们分别映射到、，因此是与关联的名称中最常见的映射。同样，将映射到。假设总会有赢家是可
-
问题内容： 在最近的一次采访中有人问我这个问题。 您将获得一个包含一百万个元素的数组。除了一个元素外，所有元素都是重复的。我的任务是找到独特的元素。 我的做法是要经过在整个数组循环，然后创建一个索引作为数组中和的数组中出现的次数。然后再次遍历我们的地图，并返回值为1的索引。 我说我的方法会花费时间。面试官告诉我要以低于复杂度的方式对其进行优化。我说过，我们不能，因为我们必须遍历具有一百万个元素的整
-
我有以下几门课： 我有一个物品清单。我想遍历列表并找到具有特定ID的实例。我试着通过溪流来做。
-
问题内容： 我有一个清单“ a” 我需要找到一个特定数字的所有元组。说1 我怎么做？ 问题答案： 如果只希望第一个数字匹配，则可以这样操作： 如果您仅搜索其中包含1的元组：