パンダの複数列因子分解

Question

pandas factorize関数は、系列内の各固有値を順次0ベースのインデックスに割り当て、各系列エントリがどのインデックスに属するかを計算します。

私は複数の列にpandas.factorizeと同等のものを達成したいと思います：

import pandas as pd 
df = pd.DataFrame({'x': [1, 1, 2, 2, 1, 1], 'y':[1, 2, 2, 2, 2, 1]}) 
pd.factorize(df)[0] # would like [0, 1, 2, 2, 1, 0] 

、私は、データフレームのいくつかの列の値の一意の各タプルを決定したい、にシーケンシャルインデックスを割り当てていることeach、およびデータフレーム内の各行がどのインデックスに属するかを計算します。

Factorizeは、単一の列でのみ機能します。パンダに複数の列に相当する機能がありますか？

Answer 1

あなたはndarrayを作成する必要があります最初に、pandas.lib.fast_zipはこれを非常に速くcythonループで行うことができます。

import pandas as pd 
df = pd.DataFrame({'x': [1, 1, 2, 2, 1, 1], 'y':[1, 2, 2, 2, 2, 1]}) 
print pd.factorize(pd.lib.fast_zip([df.x, df.y]))[0] 

出力は次のようになります。

[0 1 2 2 1 0] 

Answer 2

あなたはあなたの目標を達成するには、[編集]

In [23]: df.drop_duplicates() 
Out[23]: 
     x y 
    0 1 1 
    1 1 2 
    2 2 2 

それらの重複行を削除するにはdrop_duplicatesを使用することができ、あなたがdrop_duplicated 1にあなたの元DFに参加することができます。

In [46]: df.join(df.drop_duplicates().reset_index().set_index(['x', 'y']), on=['x', 'y']) 
Out[46]: 
    x y index 
0 1 1  0 
1 1 2  1 
2 2 2  2 
3 2 2  2 
4 1 2  1 
5 1 1  0 

Answer 3

私はこれが効率的な解決策であるかどうかは不明です。これにはもっと良い解決策があるかもしれません。

arr=[] #this will hold the unique items of the dataframe 
for i in df.index: 
    if list(df.iloc[i]) not in arr: 
     arr.append(list(df.iloc[i])) 

ので、ARRを印刷するインデックスを保持するためにあなたに

>>>print arr 
[[1,1],[1,2],[2,2]] 

を与えるだろう、私はIND配列が

ind=[] 
for i in df.index: 
    ind.append(arr.index(list(df.iloc[i]))) 

印刷INDを与えるだろう宣言し

>>>print ind 
[0,1,2,2,1,0] 

Answer 4

df = pd.DataFrame({'x': [1, 1, 2, 2, 1, 1], 'y':[1, 2, 2, 2, 2, 1]}) 
tuples = df[['x', 'y']].apply(tuple, axis=1) 
df['newID'] = pd.factorize(tuples)[0]