元素属于多个类别时按类别分组

Question

我有一个由一组邮政编码索引的数据集合。我想根据邻近的另一组地理特征，比方说，到附近湖泊的距离来汇总这些数据。

它很简单，比方说，在一个数据中遍历每个湖，并应用一个haversine函数返回50英里内的所有邮政编码。反之亦然；我可以轻松地遍历所有的邮政编码，并在所述邮政编码的50英里范围内为每个湖返回一个列表。

但我想做得更有效率一点。如果每个zip只对应于一个湖，比如说最近的一个湖，那么简单的方法就是创建一个新的"lake"列，然后应用groupby("lake")来接收被绑定的数据以进行处理。

我想要的是一种自动复制组之前的行的技术。假设我有以下数据：

        lake
zip
10001   Huron
10002   Huron, Erie
10003   Erie, Superior

我想调用groupby返回以下内容：

group 'Huron'
zip
10001
10002

group 'Erie'
zip
10002
10003

group 'Superior'
zip
10003

基本上，有什么很好的方法来做到这一点，或者你实际上是被脏循环通过索引方法困住了吗？

Answer 1

选项1

str.split和expand=True，然后是stack + groupby。这将返回组。

g = df.lake.str.split(',\s*', expand=True).stack()\
           .to_frame(name='lake').reset_index(level=1, drop=1).groupby('lake')

for i, k in g:
    print(k, '\n')

       lake
zip        
10002  Erie
10003  Erie 

        lake
zip         
10001  Huron
10002  Huron 

           lake
zip            
10003  Superior 

选项2

str.get_dummies，我最喜欢的方法。这不会在组中返回结果，但是get_dummies隐式地创建OHEs，您可以将其转换为分组。

g = df.lake.str.get_dummies(sep=r', ')

for c in g.columns:
     print('{}: {}'.format(c, g[c][g[c] > 0].index.tolist()))

Erie: [10002, 10003]
Huron: [10001, 10002]
Superior: [10003]