python - 表/df 列之间的反向分组关系

Question

假设我的 df 是:

index "A" "B"
0 A1 "B1,B2,B3"
1 A2 "B2,B4,B3"
2 A3 "B2,B3,B5"

我想做 magic_function(df)

index "B'" "A''"
0 B1 "A1"
1 B2 "A1,A2,A3"
2 B3 "A1,A2,A3"
3 B4 "A2"
4 B5 "A3"

所以我使用了爆炸策略(所有优点都归功于这里的海报:pandas: How do I split text in a column into multiple rows?)
因此，我首先 dropna 以避免错误，然后我用要拆分的列创建一个系列，将其分解并堆叠，然后具有相同索引的连接魔术在需要时复制“A”列值

dcolumn="A"
col="B"
current_wdf=df[[idcolumn,col]].dropna()
current_col=current_wdf.loc[:,col]
exploded_df=current_col.str.split(',').apply(pd.Series,1).stack()#much slower but keep the index. I could used substitution with enumerate after dropping level
exploded_df.index=exploded_df.index.droplevel(-1)
exploded_df.name=col
agg_df=pd.DataFrame(current_wdf.loc[:,idcolumn]).join(exploded_df)
grouped=agg_df.groupby([col])

在我拥有之后:

0   1

0 B1 A1
1 B2 A1
1 B2 A2
1 B2 A3
2 B3 A1
2 B3 A2
2 B3 A3
3 B4 A2
4 B5 A3

那我就做

grouped=agg_df.groupby([col])
gives
a dict
{'B1': Int64Index([0], dtype='int64'),
'B2': Int64Index([1, 1, 1], dtype='int64'),
'B3': Int64Index([2, 2, 2], dtype='int64'),
'B4': Int64Index([3], dtype='int64'),
'B5': Int64Index([4], dtype='int64')}

为了获得我想要的数据框，我需要克服仅显示索引并执行此操作的“组”限制

groups_dict= {k: list(grouped.get_group(v).loc[:,idcolumn]) for k, v in grouped.groups.items()}

或

agg_df2=agg_df.reset_index()
groups_dict2= {k: list(agg_df2.loc[v,idcolumn]) for k,v in grouped.indices.items()}

我终于有了数据帧，但都感觉很慢。

但这并不是微不足道的，我对最后一部分表示怀疑。它可以工作，但速度很慢，而且很容易崩溃。

这样的匹配反转过程没有任何操作吗？而且，对于像我所公开的组内容检索，有没有什么方法可以获取内容而不是索引，而不必重复执行 get_group ？

Answer 1

使用set_index + str.split + stack + groupby + apply + reset_index :

df = df.set_index('A')['B']
       .str.split(',', expand=True)
       .stack()
       .reset_index(name='B')
       .groupby('B')['A']
       .apply(', '.join)
       .reset_index()
print (df)
    B           A
0  B1          A1
1  B2  A1, A2, A3
2  B3  A1, A2, A3
3  B4          A2
4  B5          A3

另一个解决方案 numpy.concatenate + numpy.repeat + DataFrame构造函数:

s = df.set_index('A')['B'].str.split(',')
l = s.str.len()
df1 = pd.DataFrame({'A': np.repeat(df['A'].values, l), 'B':np.concatenate(s)})
df1 = df1.groupby('B')['A'].apply(', '.join).reset_index()
print (df1)
    B           A
0  B1          A1
1  B2  A1, A2, A3
2  B3  A1, A2, A3
3  B4          A2
4  B5          A3