提问人：HansKemper 提问时间：10/30/2023 最后编辑：HansKemper 更新时间：10/30/2023 访问量：51
为每列中的唯一字符串分配字符，并将值重置为该字符
Assign character to unique strings in each column and reset value to that character
问：
我有一个由字符串组成的大型 pandas 数据帧：
col1 col2 col3
0 'If', 'albatross', 'boss'
1 'If', 'boot', 'god'
2 'If', 'chicken', 'alive'
3 'If', 'chicken', 'dead'
我想按字母顺序排列每个位置的唯一单词，并为每个单词分配一个符号（A，B，C,...（例如，boss-B god-D alive-A dead-C），这样，如果文本中出现三个不同的字符串，则符号 A、B 和 C 将在数据帧中占据一席之地。在这种情况下，我们得到：
col1 col2 col3
0 'A', 'A', 'B'
1 'A', 'B', 'D'
2 'A', 'C', 'A'
3 'A', 'C', 'C'
对于非常大的数据集，有没有有效的方法可以做到这一点？（我正在尝试将长脚本（如BIBLE长脚本）转换为可以输入系统发育程序的假遗传数据）
到目前为止，我已经设法创建了按字母顺序排列的唯一字符串（列表 e）和字母（列表符号）的列表： 导入字符串
sym=list(string.ascii_uppercase)
e=[]
for i in data.columns:
c=sorted(data[i].unique(),key=str.lower)
e.append(c)
我正在努力将数据框中的字符串切换到相应的字母。我试过：
for i in data.columns:
for j in e:
for k in range(len(j)):
data.loc[data[i] == j[k], i] = sym[k]
这非常慢，但似乎效果很好。对于大型数据集（甚至不到一千个单词），这需要很长时间。
答：
2赞
Timeless
10/30/2023
#1
upl = dict(enumerate(ascii_uppercase, 1))
out = data.rank(method="dense").map(lambda v: upl[v]) # or `applymap` if <2.1.0
# a variant : `out = data.rank(method="dense").apply(lambda s: s.map(upl))`
或者，正如@mozway所建议的那样：
out = (pd.DataFrame(np.array(list(ascii_uppercase))
[data.rank(method="dense").astype(int)-1], columns=data.columns))
或者，将密集的 rankdata 与 scipy 一起使用：
from scipy.stats import rankdata
from string import ascii_uppercase
ind = rankdata(data, axis=0, method="dense") - 1
upl = np.vectorize(lambda x: ascii_uppercase[x])(ind)
out = pd.DataFrame(upl, columns=data.columns)
# 140 µs ± 1.09 µs per loop (mean ± std. dev. of 7 runs, 10,000 loops each)
输出：
print(out)
col1 col2 col3
0 A A B
1 A B D
2 A C A
3 A C C
[4 rows x 3 columns]
使用的输入：
data = pd.DataFrame({'col1': ['If', 'If', 'If', 'If'],
'col2': ['albatross', 'boot', 'chicken', 'chicken'],
'col3': ['boss', 'god', 'alive', 'dead']})
性能图（~100K 行）：
评论
1赞
mozway
10/30/2023
您也可以直接使用 numpy 进行索引：np.array(list(ascii_uppercase))[data.rank(method="dense").astype(int)-1]
0赞
Timeless
10/30/2023
@mozway，您是索引;)的大师我在答案中包含了您的解决方案。
上一个：土耳其字符的未知字符
评论