Python Pandas：如何对组中的所有项目进行分组并为其分配 id？

Question

我有df：

domain           orgid
csyunshu.com    108299
dshu.com        108299
bbbdshu.com     108299
cwakwakmrg.com  121303
ckonkatsunet.com    121303

我想添加一个新列，用每个 orgid 的数字 id 替换域列：

domain           orgid   domainid
csyunshu.com    108299      1
dshu.com        108299      2
bbbdshu.com     108299      3
cwakwakmrg.com  121303      1
ckonkatsunet.com 121303     2

我已经尝试过这条线，但它没有给出我想要的结果：

df.groupby('orgid').count['domain'].reset_index()

有人可以帮忙吗？

Answer 1

您可以在

rank

对象上调用

groupby

并传递参数

method='first'

:

In [61]:
df['domainId'] = df.groupby('orgid')['orgid'].rank(method='first')
df

Out[61]:
             domain   orgid  domainId
0      csyunshu.com  108299         1
1          dshu.com  108299         2
2       bbbdshu.com  108299         3
3    cwakwakmrg.com  121303         1
4  ckonkatsunet.com  121303         2

如果您想覆盖该列，您可以执行以下操作：

df['domain'] = df.groupby('orgid')['orgid'].rank(method='first')

Answer 2

您可以使用 sklearn.preprocessing 中的 LabelEncoder，如下所示：

df["domain"] = LabelEncoder().fit_transform(df.domain)

Answer 3

非常直观

dplyr

df %>% group_by(orgid) %>% mutate(domainid=row_number())

我正在将其移植到 python 中，使用

datar

:

from datar.all import *

df = tibble(
    domain=['csyunshu.com', 'dshu.com', 'bbbdshu.com', 'cwakwakmrg.com', 'ckonkatsunet.com'],
    orgid=[108299,108299,108299,121303,121303]
)

df >> group_by(f.orgid) >> mutate(domainid=row_number())
# <pandas.core.groupby.generic.DataFrameGroupBy object at 0x7ff728cba490>

df >> group_by(f.orgid) >> mutate(domainid=row_number()) >> showme()
[2021-03-13 00:55:12][datar][   INFO] # [DataFrameGroupBy] Groups: ['orgid'] (2)
#              domain   orgid  domainid
# 0      csyunshu.com  108299         0
# 1          dshu.com  108299         1
# 2       bbbdshu.com  108299         2
# 3    cwakwakmrg.com  121303         0
# 4  ckonkatsunet.com  121303         1

df >> group_by(f.orgid) >> mutate(domainid=row_number()+1) >> showme()
[2021-03-13 00:55:26][datar][   INFO] # [DataFrameGroupBy] Groups: ['orgid'] (2)
#              domain   orgid  domainid
# 0      csyunshu.com  108299         1
# 1          dshu.com  108299         2
# 2       bbbdshu.com  108299         3
# 3    cwakwakmrg.com  121303         1
# 4  ckonkatsunet.com  121303         2

Answer 4

与 EdChum 类似的方法，除了比

rank()

更好的功能是

cumcount()

，原因有多种：

1. 您不必拉出分组栏。
2. 您不必指定其他参数。

3. cumcount()

   返回整数而不是浮点数，这可能就是您想要的 id。
4. 从0开始，很有用。当然，如果你想让它从一个开始，你只需要在末尾添加一个

   + 1

   。

这是代码：

In [1]:
df['domainId'] = df.groupby('orgid').cumcount()
df

Out[1]:
             domain   orgid  domainId
0      csyunshu.com  108299         0
1          dshu.com  108299         1
2       bbbdshu.com  108299         2
3    cwakwakmrg.com  121303         0
4  ckonkatsunet.com  121303         1