python - 为 pandas 数据框中两列的每个精确匹配创建一个具有随机数的列

Question

我正在尝试创建一个 NEW_ID 列，其中每个完全匹配的 FIRST_NM、LAST_NM 都具有唯一值。

data = np.array([['John', 'Smith', 1], ['John', 'West', 7], ['Eric', 'Adams', 9], 
                 ['Jane', 'Doe', 14], ['Jane', 'Doe', 16], ['John', 'Smith', 19]])

df = pd.DataFrame(data, columns=['FIRST_NM', 'LAST_NM', 'PAGE_NUM'])

  FIRST_NM LAST_NM PAGE_NUM
0     John   Smith        1
1     John    West        7
2     Eric   Adams        9
3     Jane     Doe       14
4     Jane     Doe       16
5     John   Smith       19

所需的数据框:

  FIRST_NM LAST_NM PAGE_NUM  NEW_ID
0     John   Smith        1     654
1     John    West        7     123
2     Eric   Adams        9      78
3     Jane     Doe       14       3
4     Jane     Doe       16       3
5     John   Smith       19     654

我想我应该做类似下面代码的事情，但我知道这是不对的......

import random
df.groupby(['FIRST_NM', 'LAST_NM']).apply(lambda group: random.getrandbits(16))

Answer 1

如果您使用transform，您的原始版本将会工作，它将结果广播回原始索引:

>>> df["NEW_ID"] = df.groupby(['FIRST_NM', 'LAST_NM']).transform(lambda group: 
    random.getrandbits(16))
>>> df
  FIRST_NM LAST_NM PAGE_NUM NEW_ID
0     John   Smith        1  57757
1     John   Smith        7  57757
2     Eric   Adams        9  46139
3     Jane     Doe       14  55091
4     Jane     Doe       16  55091
5     John   Smith       19  57757

但我不太热衷于只获取随机数并希望得到最好的结果(即没有冲突)。如果您有一个像您的示例一样的类似范围的索引，您可以使用它:

>>> df.groupby(['FIRST_NM', 'LAST_NM'])["PAGE_NUM"].transform("idxmin")
0    0
1    0
2    2
3    3
4    3
5    0
dtype: int64

或者排名版本:

>>> df.groupby(['FIRST_NM', 'LAST_NM'])["PAGE_NUM"].transform("idxmin").rank("dense")
0    1
1    1
2    2
3    3
4    3
5    1
dtype: float64

一旦你有了这些，你就可以按照你喜欢的方式将它们安全地映射到唯一的随机数中。

<小时/>

不幸的是，我不认为小组作业所在的唯一位置是有保证的，即

>>> grouped = df.groupby(["FIRST_NM", "LAST_NM"])
>>> grouped.grouper.group_info[0]
array([2, 2, 0, 1, 1, 2], dtype=int64)

我不介意 groupcount() 方法返回此版本或“按首次出现顺序排名”版本。