python - 组中的稀有值后，对pandas数据框中的列进行排序

我有一个被抓取网站的熊猫数据框，其中包含网站标识符，网站的文字和标签。少数网站有两个标签，但是由于我想首先训练一个标签分类器，因此我想为每个网站创建一个只带有一个标签的数据版本（我知道这有点麻烦）。我的数据集中的标签不平衡（有些标签经常出现，有些很少出现）。如果我删除重复的网站ID，我想删除最常见的标签。这是带有多个标签的数据集的样子：

ID   Label   Text
1    a       some text
1    b       other text
1    a       data
2    a       words
2    c       more words
3    a       text
3    b       short text

我的想法是按标签的稀有性对每个网站标识符中的标签列进行排序。为此，我首先在标签列上执行value_counts(ascending = True)，以获取按稀有度排序的所有标签的列表。

to_sort = [c, b, a]

然后，我想使用该列表按稀有度对每个网站ID进行排序。不过，我不确定该怎么做。结果应如下所示：

ID   Label   Text
1    b       other text
1    a       some text
1    a       data
2    c       more words
2    a       words
3    b       short text
3    a       text

然后，我将使用df.drop_duplicates(subset = 'ID', keep = 'first')保留最稀有的标签。如何进行分类？

最佳答案

使用有序的categorical，因此可能使用sort_values：

to_sort = list('cba')

df['Label'] = pd.Categorical(df['Label'], ordered=True, categories=to_sort)

df = df.sort_values(['ID','Label'])
print (df)
   ID Label        Text
1   1     b  other text
0   1     a   some text
2   1     a        data
4   2     c  more words
3   2     a       words
6   3     b  short text
5   3     a        text