pandas унікальних значень декількох стовпців

df = pd.DataFrame({'Col1': ['Bob', 'Joe', 'Bill', 'Mary', 'Joe'],
                   'Col2': ['Joe', 'Steve', 'Bob', 'Bob', 'Steve'],
                   'Col3': np.random.random(5)})

Який найкращий спосіб повернути унікальні значення 'Col1' та 'Col2'?

Бажаний вихід є

'Bob', 'Joe', 'Bill', 'Mary', 'Steve'

pd.unique повертає унікальні значення з вхідного масиву або стовпця або індексу DataFrame.

Вхід до цієї функції повинен бути одномірним, тому кілька колонок потрібно буде об'єднати. Найпростіший спосіб - вибрати потрібні стовпці, а потім переглянути їх у згладженому масиві NumPy. Вся операція виглядає приблизно так:

>>> pd.unique(df[['Col1', 'Col2']].values.ravel('K'))
array(['Bob', 'Joe', 'Bill', 'Mary', 'Steve'], dtype=object)

Зауважте, що ravel()це метод масиву, ніж повертає перегляд (якщо можливо) багатовимірного масиву. Аргумент 'K'вказує на метод вирівнювання масиву в порядку, в якому елементи зберігаються в пам'яті (панди, як правило, зберігають базові масиви у Fortran-суміжному порядку ; стовпці перед рядками). Це може бути значно швидше, ніж використання порядку "C" за замовчуванням методу.

Альтернативний спосіб - вибрати стовпці та передати їх np.unique:

>>> np.unique(df[['Col1', 'Col2']].values)
array(['Bill', 'Bob', 'Joe', 'Mary', 'Steve'], dtype=object)

Тут не потрібно використовувати, ravel()оскільки метод обробляє багатовимірні масиви. Незважаючи на це, це, швидше за все, буде повільніше, pd.uniqueоскільки для визначення унікальних значень використовується алгоритм на основі сортування, а не хеш-таблиця.

Різниця в швидкості є значною для великих DataFrames (особливо якщо є лише кілька унікальних значень):

>>> df1 = pd.concat([df]*100000, ignore_index=True) # DataFrame with 500000 rows
>>> %timeit np.unique(df1[['Col1', 'Col2']].values)
1 loop, best of 3: 1.12 s per loop

>>> %timeit pd.unique(df1[['Col1', 'Col2']].values.ravel('K'))
10 loops, best of 3: 38.9 ms per loop

>>> %timeit pd.unique(df1[['Col1', 'Col2']].values.ravel()) # ravel using C order
10 loops, best of 3: 49.9 ms per loop

У мене встановлено DataFrameдекілька простих рядків у стовпцях:

>>> df
   a  b
0  a  g
1  b  h
2  d  a
3  e  e

Ви можете об'єднати цікаві стовпці та uniqueфункцію виклику :

>>> pandas.concat([df['a'], df['b']]).unique()
array(['a', 'b', 'd', 'e', 'g', 'h'], dtype=object)

In [5]: set(df.Col1).union(set(df.Col2))
Out[5]: {'Bill', 'Bob', 'Joe', 'Mary', 'Steve'}

Або:

set(df.Col1) | set(df.Col2)

Оновлене рішення з використанням numpy v1.13 + вимагає вказати вісь у np.unique, якщо використовується кілька стовпців, інакше масив неявно сплющений.

import numpy as np

np.unique(df[['col1', 'col2']], axis=0)

Ця зміна була внесена в листопад 2016 року: https://github.com/numpy/numpy/commit/1f764dbff7c496d6636dc0430f083ada9ff4e4be

Нерозв’язання pandas: використовуючи set ().

import pandas as pd
import numpy as np

df = pd.DataFrame({'Col1' : ['Bob', 'Joe', 'Bill', 'Mary', 'Joe'],
              'Col2' : ['Joe', 'Steve', 'Bob', 'Bob', 'Steve'],
               'Col3' : np.random.random(5)})

print df

print set(df.Col1.append(df.Col2).values)

Вихід:

   Col1   Col2      Col3
0   Bob    Joe  0.201079
1   Joe  Steve  0.703279
2  Bill    Bob  0.722724
3  Mary    Bob  0.093912
4   Joe  Steve  0.766027
set(['Steve', 'Bob', 'Bill', 'Joe', 'Mary'])

для тих із нас, хто любить усі панди, застосовує і звичайно лямбда функції:

df['Col3'] = df[['Col1', 'Col2']].apply(lambda x: ''.join(x), axis=1)

ось ще один спосіб

import numpy as np
set(np.concatenate(df.values))

list(set(df[['Col1', 'Col2']].as_matrix().reshape((1,-1)).tolist()[0]))

Вихід буде ['Mary', 'Joe', 'Steve', 'Bob', 'Bill']