Python Pandas: удалять записи в зависимости от количества вхождений

Я пытаюсь удалить записи из фрейма данных, которые происходят менее 100 раз. Кадр данных data выглядит следующим образом:

Теперь я подсчитываю количество появлений тегов, подобных этому:

bytag = data.groupby('tag').aggregate(np.count_nonzero)

Но тогда я не могу понять, как удалить те записи, которые имеют низкий счет...

Ответы

Ответ 1

Изменить: Благодаря @WesMcKinney для показа этого гораздо более прямого способа:

data[data.groupby('tag').pid.transform(len) > 1]

import pandas
import numpy as np
data = pandas.DataFrame(
    {'pid' : [1,1,1,2,2,3,3,3],
     'tag' : [23,45,62,24,45,34,25,62],
     })

bytag = data.groupby('tag').aggregate(np.count_nonzero)
tags = bytag[bytag.pid >= 2].index
print(data[data['tag'].isin(tags)])

дает

   pid  tag
1    1   45
2    1   62
4    2   45
7    3   62

Ответ 2

Новое в 0.12, объекты groupby имеют метод filter, позволяющий выполнять следующие типы операций:

In [11]: g = data.groupby('tag')

In [12]: g.filter(lambda x: len(x) > 1)  # pandas 0.13.1
Out[12]:
   pid  tag
1    1   45
2    1   62
4    2   45
7    3   62

Функция (первый аргумент фильтра) применяется к каждой группе (подкадр), а результаты включают элементы исходного DataFrame, принадлежащие группам, которые оцениваются как True.

Примечание: в 0.12 порядок отличается от исходного DataFrame, это было исправлено в 0,13 +:

In [21]: g.filter(lambda x: len(x) > 1)  # pandas 0.12
Out[21]: 
   pid  tag
1    1   45
4    2   45
2    1   62
7    3   62

Ответ 3

df = pd.DataFrame([(1, 2), (1, 3), (1, 4), (2, 1),(2,2,)], columns=['col1', 'col2'])

In [36]: df
Out[36]: 
   col1  col2
0     1     2
1     1     3
2     1     4
3     2     1
4     2     2

gp = df.groupby('col1').aggregate(np.count_nonzero)

In [38]: gp
Out[38]: 
      col2
col1      
1        3
2        2

позволяет получить, где count > 2

tf = gp[gp.col2 > 2].reset_index()
df[df.col1 == tf.col1]

Out[41]: 
   col1  col2
0     1     2
1     1     3
2     1     4

Ответ 4

Ниже приведены некоторые примеры выполнения нескольких решений, размещенных здесь, наряду с тем, который не был (с использованием value_counts()), который намного быстрее, чем другие решения:

Создайте данные:

import pandas as pd
import numpy as np

# Generate some 'users'
np.random.seed(42)
df = pd.DataFrame({'uid': np.random.randint(0, 500, 500)})

# Prove that some entries are 1
print "{:,} users only occur once in dataset".format(sum(df.uid.value_counts() == 1))

Вывод:

171 users only occur once in dataset

Время несколько разных способов удаления пользователей только с одной записью. Они выполнялись в отдельных ячейках в ноутбуке Jupyter:

%%timeit
df.groupby(by='uid').filter(lambda x: len(x) > 1)

%%timeit
df[df.groupby('uid').uid.transform(len) > 1]

%%timeit
vc = df.uid.value_counts()
df[df.uid.isin(vc.index[vc.values > 1])].uid.value_counts()

Они дали следующие результаты:

10 loops, best of 3: 46.2 ms per loop
10 loops, best of 3: 30.1 ms per loop
1000 loops, best of 3: 1.27 ms per loop