替换pandas数据帧中很少出现的值

Question

我有一个中等大的（大约60,000行乘以15列）csv文件，我正在与Pandas一起工作。每一行代表一个人并包含个人数据。我想以匿名方式呈现数据。我想这样做的一种方法是在某个列中替换它们稀少的值。我最初是这样做的：

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)

但每次运行它都冻结了我的系统。不幸的是，这意味着我没有有用的调试数据。有没有人知道这样做的正确方法？该列同时包含字符串和空值。

Answer 1

我认为您想要groupby列名：

g = df.groupby('column_name')

例如，您可以使用筛选器，只返回那些在column_name中有某些内容出现10次以上的行：

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

要用'RARE_VALUE'覆盖列，可以使用transform（它为每个组计算一次结果，并适当地将其分散开来）：

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

正如DSM所指出的，下面的诀窍要快得多：

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

以下是一些timeit信息（展示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