我正在尝试使用pandas
和Python根据数据帧制作频率表。实际上,它与a previous question of mine which used R完全相同。
假设我在熊猫中有一个像这样的数据框(实际上,该数据框要大得多,但出于说明目的,我限制了行):
node | precedingWord
-------------------------
A-bom de
A-bom die
A-bom de
A-bom een
A-bom n
A-bom de
acroniem het
acroniem t
acroniem het
acroniem n
acroniem een
act de
act het
act die
act dat
act t
act n
我想使用这些值对每个节点的前单词数进行计数,但要包含子类别。例如:要为其添加值的一列标题为
neuter
,另一列non-neuter
和最后一个rest
。 neuter
将包含所有值,其中previousWord是以下值之一:t
,het
,dat
。 non-neuter
将包含de
和die,
,而rest
将包含不属于neuter
或non-neuter
的所有内容。 (最好是动态的,换句话说,rest
使用某种用于中性和非中性的反向变量。或者简单地从长度中减去中性和非中性的值。该节点的行)。输出示例(在一个新的数据框中,假设为
freqDf
,看起来像这样:node | neuter | nonNeuter | rest
-----------------------------------------
A-bom 0 4 2
acroniem 3 0 2
act 3 2 1
我找到了an answer to a similar question,但用例并不完全相同。在我看来,在这个问题上所有变量都是独立的。但是,以我为例,很明显,我有多个具有相同节点的行,所有这些行都应降低到一个单一频率-如上面的预期输出所示。
我以为是这样(未经测试):
def specificFreq(d):
for uniqueWord in d['node']
return pd.Series({'node': uniqueWord ,
'neuter': sum(d['node' == uniqueWord] & d['precedingWord'] == 't|het|dat'),
'nonNeuter': sum(d['node' == uniqueWord] & d['precedingWord'] == 'de|die'),
'rest': len(uniqueWord) - neuter - nonNeuter}) # Length of rows with the specific word, distracted by neuter and nonneuter values above
df.groupby('node').apply(specificFreq)
但是我非常怀疑这是做这样事情的正确方法。
最佳答案
按照R解决方案中的建议,您可以先更改名称,然后执行交叉列表:
df.loc[df.precedingWord.isin(neuter), "gender"] = "neuter"
df.loc[df.precedingWord.isin(non_neuter), "gender"] = "non_neuter"
df.loc[df.precedingWord.isin(neuter + non_neuter)==0, "gender"] = "rest"
# neuter + non_neuter is the concatenation of both lists.
pd.crosstab(df.node, df.gender)
gender neuter non_neuter rest
node
A-bom 0 4 2
acroniem 3 0 2
act 3 2 1
这是更好的方法,因为如果
neuter
或non_neuter
中的单词不存在,则不会像以前的解决方案那样引发precedingword
。前溶液,清洁度较低。
给定数据框,您可以进行简单的交叉制表:
ct = pd.crosstab(df.node, df.precedingWord)
这使:
pW dat de die een het n t
node
A-bom 0 3 1 1 0 1 0
acroniem 0 0 0 1 2 1 1
act 1 1 1 0 1 1 1
然后,您只想将某些列加起来:
neuter = ["t", "het", "dat"]
non_neuter = ["de","die"]
freqDf = pd.DataFrame()
freqDf["neuter"] = ct[neuter].sum(axis=1)
ct.drop(neuter, axis=1, inplace=1)
freqDf["non_neuter"] = ct[non_neuter].sum(axis=1)
ct.drop(non_neuter, axis=1, inplace=1)
freqDf["rest"] = ct.sum(axis=1)
这给你
KeyError
: neuter non_neuter rest
node
A-bom 0 4 2
acroniem 3 0 2
act 3 2 1
高温超导