Los tipos de datos en un marco de datos (objeto) son los siguientes:

id                 :int64
id_contains        :object
categories         :object
category contents  :object
dtype: object

Los datos se ven así actualmente, organizados por id y contenido de categoría:

id  id_contains  categories       category contents
---------------------------------------------------------
1   a,b,c         cat1            a,b,c
2   d,c,a         cat2            c
3   c,b,e         cat3            e,f,a
4   d,e,f         cat4            a,c

Necesito contar el número de veces que cat1 ocurre en id_contains y crear columnas separadas para cada categoría con el recuento correspondiente para cada id. Entonces, el marco de datos de salida resultante debería verse así:

id  id_contains  categories  category_contents   cat1   cat2    cat3  cat4
---------------------------------------------------------------------------
1   a,b,c           cat1           a,b,c           3      1      1       2
2   d,c,a           cat2               c           2      1      1       2
3   c,b,e           cat3            e,f,a          2      1      0       1
4   d,e,f           cat4              a,c          0      0      2       0

Es decir, para cada id, puedo ver cuántos elementos contiene de la categoría 1, categoría 2, 3 y así sucesivamente . Soy nuevo en pandas y marcos de datos, y me disculpo porque no puedo compartir los datos reales. He intentado describir el conjunto de datos original lo mejor posible con datos ficticios basados ​​en sugerencias anteriores de esta comunidad. ¡Esperamos todas las sugerencias!

0
Shagun Tripathi 23 feb. 2021 a las 20:07

1 respuesta

La mejor respuesta
import pandas as pd

data = [ { "id": 1, "id_contains": "a,b,c", "categories": "cat1", "category_contents": "a,b,c" }, { "id": 2, "id_contains": "d,c,a", "categories": "cat2", "category_contents": "c" }, { "id": 3, "id_contains": "c,b,e", "categories": "cat3", "category_contents": "e,f,a" }, { "id": 4, "id_contains": "d,e,f", "categories": "cat4", "category_contents": "a,c" } ]
df = pd.DataFrame(data).set_index('id')

df['id_contains'] = df['id_contains'].str.split(',') #create list
df['category_contents'] = df['category_contents'].str.split(',') #create list

df['counts'] = df['id_contains'].apply(lambda x: [len(set(x) & set(i)) for i in df['category_contents'].tolist()]) #count occurrences for each category
df[['cat1','cat2','cat3','cat4']] = pd.DataFrame(df['counts'].tolist(), index= df.index) #turn list into columns
df.drop('counts', axis=1, inplace = True) #drop temporary counts column

Resultado:

|   id | id_contains     | categories   | category_contents   |   cat1 |   cat2 |   cat3 |   cat4 |
|-----:|:----------------|:-------------|:--------------------|-------:|-------:|-------:|-------:|
|    1 | ['a', 'b', 'c'] | cat1         | ['a', 'b', 'c']     |      3 |      1 |      1 |      2 |
|    2 | ['d', 'c', 'a'] | cat2         | ['c']               |      2 |      1 |      1 |      2 |
|    3 | ['c', 'b', 'e'] | cat3         | ['e', 'f', 'a']     |      2 |      1 |      1 |      1 |
|    4 | ['d', 'e', 'f'] | cat4         | ['a', 'c']          |      0 |      0 |      2 |      0 |
1
RJ Adriaansen 23 feb. 2021 a las 20:28