Compter les valeurs uniques avec pandas par groupes

Question

J'ai besoin de compter les valeurs uniques de ID dans chaque domaine J'ai des données

ID, domaine
123, 'vk.com'
123, 'vk.com'
123, 'twitter.com'
456, 'vk.com'
456, 'facebook.com'
456, 'vk.com'
456, 'google.com'
789, 'twitter.com'
789, 'vk.com'

J'essaie df.groupby(['domaine', 'ID']).count() Mais je veux obtenir

domaine, count
vk.com   3
twitter.com   2
facebook.com   1
google.com   1

Answer 1

Vous avez besoin de nunique:

df = df.groupby('domain')['ID'].nunique()

print (df)
domain
'facebook.com'    1
'google.com'      1
'twitter.com'     2
'vk.com'          3
Name: ID, dtype: int64

Si vous avez besoin de strip les caractères ':

df = df.ID.groupby([df.domain.str.strip("'")]).nunique()
print (df)
domain
facebook.com    1
google.com      1
twitter.com     2
vk.com          3
Name: ID, dtype: int64

Ou comme Jon Clements a commenté:

df.groupby(df.domain.str.strip("'"))['ID'].nunique()

Vous pouvez conserver le nom de la colonne comme ceci:

df = df.groupby(by='domain', as_index=False).agg({'ID': pd.Series.nunique})
print(df)
    domain  ID
0       fb   1
1      ggl   1
2  twitter   2
3       vk   3

La différence est que nunique() retourne une Series et agg() retourne un DataFrame.

Answer 2

Généralement pour compter les valeurs distinctes dans une seule colonne, vous pouvez utiliser Series.value_counts:

df.domain.value_counts()

#'vk.com'          5
#'twitter.com'     2
#'facebook.com'    1
#'google.com'      1
#Name: domain, dtype: int64

Pour voir combien de valeurs uniques dans une colonne, utilisez Series.nunique:

df.domain.nunique()
# 4

Pour obtenir toutes ces valeurs distinctes, vous pouvez utiliser unique ou drop_duplicates, la légère différence entre les deux fonctions est que unique renvoie un numpy.array tandis que drop_duplicates renvoie un pandas.Series:

df.domain.unique()
# array(["'vk.com'", "'twitter.com'", "'facebook.com'", "'google.com'"], dtype=object)

df.domain.drop_duplicates()
#0          'vk.com'
#2     'twitter.com'
#4    'facebook.com'
#6      'google.com'
#Name: domain, dtype: object

---

Quant à ce problème spécifique, puisque vous souhaitez compter une valeur distincte par rapport à une autre variable, en plus de la méthode groupby fournie par d'autres réponses ici, vous pouvez également simplement supprimer les doublons d'abord et ensuite utiliser value_counts():

import pandas as pd
df.drop_duplicates().domain.value_counts()

# 'vk.com'          3
# 'twitter.com'     2
# 'facebook.com'    1
# 'google.com'      1
# Name: domain, dtype: int64

Answer 3

Df.domain.value_counts()

>>> df.domain.value_counts()
vk.com          5
twitter.com     2
google.com      1
facebook.com    1
Name: domain, dtype: int64

Answer 4

Si vous voulez le nombre différent d'ID pour chaque domaine, vous pouvez essayer ceci :

output = df.drop_duplicates()
output.groupby('domain').size()

Résultat :

    domaine
facebook.com    1
google.com      1
twitter.com     2
vk.com          3
dtype: int64

Vous pouvez également utiliser value_counts, qui est légèrement moins efficace. Mais le meilleur est la réponse de Jezrael en utilisant nunique :

%timeit df.drop_duplicates().groupby('domain').size()
1000 boucles, meilleure de 3 : 939 µs par boucle
%timeit df.drop_duplicates().domain.value_counts()
1000 boucles, meilleure de 3 : 1,1 ms par boucle
%timeit df.groupby('domain')['ID'].nunique()
1000 boucles, meilleure de 3 : 440 µs par boucle