python - 使用 Python 在 DataFrame 中进行聚类

Question

我有一个数据集

Name    System
A       AZ
A       NaN
B       AZ
B       NaN
B       NaN
C       AY
C       AY
D       AZ
E       AY
E       AY
E       NaN
F       AZ
F       AZ
F       NaN

使用此数据集，我需要根据针对特定“名称”重复“系统”的次数对数据集进行聚类。

在上面的示例中，名称 A、B 和 D 有一个“AZ”“子集”，而 C、E 有两个“AY”子集，F 有两个 AZ，因此它是一个不同的集群。我们可以忽略 NaN。

输出示例:

Cluster     Names
AZ          A,B
AY,AY       C,E
AZ,AZ       F 

我如何使用 Python 完成它？

附言。实际数据集的行数和列数可能有所不同另外，如何使用基于 ML 的分类算法(例如 KNN、朴素贝叶斯等)来做到这一点？

Answer 1

使用groupby + agg两次；一次加入“Systems”，然后加入“Names”:

s = df.dropna().groupby('Name').agg(', '.join)['System']
s = pd.Series(s.index, index=s)
out = s.groupby(level=0).agg(', '.join).reset_index().rename(columns={'System':'Cluster'})

输出:

  Cluster     Name
0  AY, AY     C, E
1      AZ  A, B, D
2  AZ, AZ        F