python - 记录分组算法

Question

我的表看起来像:

Group Name
1     A
1     B
2     R
2     F
3     B
3     C

我需要按照以下规则对这些记录进行分组:如果一个组已经收到至少一个包含在另一个组中的名称，那么这两个组在同一个组中。在我的例子中，第 1 组包含 A 和 B。第 3 组包含 B 和 C。它们具有通用名称 B，因此它们必须在同一组中。结果我想得到这样的东西:

Group Name ResultGroup
1     A    1
1     B    1
2     R    2
2     F    2
3     B    1
3     C    1

我已经找到了解决方案，但我的表中有大约 20 万条记录，所以需要太多时间(超过 12 小时)。有没有办法优化它？可能正在使用 pandas 或类似的东西？

def printList(l, head=""):
    if(head!=""):
        print(head)
    for i in l:
        print(i)

def find_group(groups, vals):
    for k in groups.keys():
        for v in vals:
            if v in groups[k]:
                return k
    return 0

task = [ [1, "AAA"], [1, "BBB"], [3, "CCC"], [4, "DDD"], [5, "JJJ"], [6, "AAA"], [6, "JJJ"], [6, "CCC"], [9, "OOO"], [10, "OOO"], [10, "DDD"], [11, "LLL"], [12, "KKK"] ]

ptrs = {}
groups = {}

group_id = 1

printList(task, "Initial table")

for i in range(0, len(task)):
    itask = task[i]
    resp = itask[1]
    val = [ x[0] for x in task if x[1] == resp ]
    minval = min(val)
    for v in val:
        if not v in ptrs.keys(): ptrs[v] = minval

    myGroup = find_group(groups, val)
    if(myGroup == 0):
        groups[group_id] = list(set(val))
        myGroup = group_id
        group_id += 1
    else:
        groups[myGroup].extend(val)
        groups[myGroup] = list(set(groups[myGroup]))

    itask.append(myGroup)
    task[i] = itask

print()
printList(task, "Result table")

Answer 1

您可以按“名称”分组并保留第一个组:

df = pd.DataFrame({'Group': [1, 1, 2, 2, 3, 3], 'Name': ['A', 'B', 'R', 'F', 'B', 'C']})
df2 = df.groupby('Name').first().reset_index()

然后与原始数据框合并并删除原始组的副本:

df3 = df.merge(df2, on='Name', how='left')
df3 = df3[['Group_x', 'Group_y']].drop_duplicates('Group_x')
df3.columns = ['Group', 'ResultGroup']

再合并一次就会得到结果:

df.merge(df3, on='Group', how='left')

Group Name  ResultGroup
    1    A            1
    1    B            1
    2    R            2
    2    F            2
    3    B            1
    3    C            1