python - العثور على أزواج متماثلة بسرعة في numpy




pandas (4)

هذا السؤال لديه بالفعل إجابة هنا:

from itertools import product
import pandas as pd

df = pd.DataFrame.from_records(product(range(10), range(10)))
df = df.sample(90)
df.columns = "c1 c2".split()
df = df.sort_values(df.columns.tolist()).reset_index(drop=True)
#     c1  c2
# 0    0   0
# 1    0   1
# 2    0   2
# 3    0   3
# 4    0   4
# ..  ..  ..
# 85   9   4
# 86   9   5
# 87   9   7
# 88   9   8
# 89   9   9
# 
# [90 rows x 2 columns]

كيف يمكنني العثور بسرعة على تحديد وإزالة التكرار الأخير لجميع الأزواج المتماثلة في قاعدة البيانات هذه؟

بواسطة الزوج المتماثل أعني أن (0, 1) تساوي (1, 0) . يجب إزالة الأخير.

يجب أن تكون سريعة ، لذلك نقدر الحلول السيئة. لا تحويل إلى كائنات الثعبان يرجى :)


frozenset

mask = pd.Series(map(frozenset, zip(df.c1, df.c2))).duplicated()

df[~mask]

إحدى الطرق هي استخدام np.unique مع return_index=True واستخدام النتيجة لفهرسة dataframe:

a = np.sort(df.values)
_, ix = np.unique(a, return_index=True, axis=0)

print(df.iloc[ix, :])

    c1  c2
0    0   0
1    0   1
20   2   0
3    0   3
40   4   0
50   5   0
6    0   6
70   7   0
8    0   8
9    0   9
11   1   1
21   2   1
13   1   3
41   4   1
51   5   1
16   1   6
71   7   1
...

إليك واحدة تستند إلى NumPy للأعداد الصحيحة -

def remove_symm_pairs(df):
    a = df.to_numpy(copy=False)
    b = np.sort(a,axis=1)
    idx = np.ravel_multi_index(b.T,(b.max(0)+1))
    sidx = idx.argsort(kind='mergesort')
    p = idx[sidx]
    m = np.r_[True,p[:-1]!=p[1:]]
    a_out = a[np.sort(sidx[m])]
    df_out = pd.DataFrame(a_out)
    return df_out

إذا كنت تريد الاحتفاظ ببيانات الفهرس كما هي ، فاستخدم return df.iloc[np.sort(sidx[m])] .

بالنسبة للأرقام العامة (ints / floats ، إلخ) ، سنستخدم رقمًا view-based -

# https://.com/a/44999009/ @Divakar
def view1D(a): # a is array
    a = np.ascontiguousarray(a)
    void_dt = np.dtype((np.void, a.dtype.itemsize * a.shape[1]))
    return a.view(void_dt).ravel()

واستبدل ببساطة الخطوة للحصول على idx بـ idx = view1D(b) في remove_symm_pairs .


سأفعل

df[~pd.DataFrame(np.sort(df.values,1)).duplicated().values]

من الباندا وثلاثي numpy

s=pd.crosstab(df.c1,df.c2)
s=s.mask(np.triu(np.ones(s.shape)).astype(np.bool) & s==0).stack().reset_index()






numpy