example - python pandas groupby apply functions
Interacción de Python entre filas y columnas en marco de datos (3)
Tengo un marco de datos:
df = pd.DataFrame({
''exam'': [
''French'', ''English'', ''German'', ''Russian'', ''Russian'',
''German'', ''German'', ''French'', ''English'', ''French''
],
''student'' : [''john'', ''ted'', ''jason'', ''marc'', ''peter'', ''bob'',
''robert'', ''david'', ''nik'', ''kevin''
]
})
print (df)
exam student
0 French john
1 English ted
2 German jason
3 Russian marc
4 Russian peter
5 German bob
6 German robert
7 French david
8 English nik
9 French kevin
¿Alguien sabe cómo crear un nuevo marco de datos que contenga dos columnas "estudiante" y "examen compartido de estudiante con".
Debería obtener algo como:
student shared_exam_with
0 john david
1 john kevin
2 ted nik
3 jason bob
4 jason robert
5 marc peter
6 peter marc
7 bob jason
8 bob robert
9 robert jason
10 robert bob
11 david john
12 david kevin
13 nik ted
14 kevin john
15 kevin david
Por ejemplo: John tomó francés ... ¡y David y Kevin también!
¿Algunas ideas? ¡Gracias de antemano!
Este sería un proceso de un paso en SQL, pero aquí son dos: (1) fusionar el DataFrame (en el examen) consigo mismo, y (2) deshacerse de las filas donde el estudiante == student_shared (ya que un estudiante no comparte con ellos mismos)
df2 = pd.merge(
df, df, how=''outer'', on=''exam'', suffixes=['''', ''_shared_with'']).drop(''exam'', axis=1)
df2 = df2.loc[df2.student != df2.student_shared_with]
student student_shared_with
1 john david
2 john kevin
3 david john
5 david kevin
6 kevin john
7 kevin david
10 ted nik
11 nik ted
14 jason bob
15 jason robert
16 bob jason
18 bob robert
19 robert jason
20 robert bob
23 marc peter
24 peter marc
Una forma sería:
cross = pd.crosstab(df[''student''], df[''exam''])
res = cross.dot(cross.T)
res.where(np.triu(res, k=1).astype(''bool'')).stack()
Out:
student student
bob jason 1.0
robert 1.0
david john 1.0
kevin 1.0
jason robert 1.0
john kevin 1.0
marc peter 1.0
nik ted 1.0
dtype: float64
El producto punto genera una matriz binaria para las ocurrencias co. Para no repetir los mismos pares, los filtro con where y stack. El índice de la serie resultante son los estudiantes que tienen el mismo examen.
auto merge
df.merge(
df, on=''exam'',
suffixes=['''', ''_shared_with'']
).query(''student != student_shared_with'')
exam student student_shared_with
1 French john david
2 French john kevin
3 French david john
5 French david kevin
6 French kevin john
7 French kevin david
10 English ted nik
11 English nik ted
14 German jason bob
15 German jason robert
16 German bob jason
18 German bob robert
19 German robert jason
20 German robert bob
23 Russian marc peter
24 Russian peter marc
auto join
d1 = df.set_index(''exam'')
d1.join(
d1, rsuffix=''_shared_with''
).query(''student != student_shared_with'')
student student_shared_with
exam
English ted nik
English nik ted
French john david
French john kevin
French david john
French david kevin
French kevin john
French kevin david
German jason bob
German jason robert
German bob jason
German bob robert
German robert jason
German robert bob
Russian marc peter
Russian peter marc
itertools.permutations + groupby
from itertools import permutations as perm
cols = [''student'', ''student_shared_with'']
df.groupby(''exam'').student.apply(
lambda x: pd.DataFrame(list(perm(x, 2)), columns=cols)
).reset_index(drop=True)
student student_shared_with
0 ted nik
1 nik ted
2 john david
3 john kevin
4 david john
5 david kevin
6 kevin john
7 kevin david
8 jason bob
9 jason robert
10 bob jason
11 bob robert
12 robert jason
13 robert bob
14 marc peter
15 peter marc