我有一个数据框，其中每一行都包含与单个Reddit注释有关的各种元数据（例如作者，subreddit，注释文本）。
我要执行以下操作：对于每个作者，我都希望获取他们有注释的所有子注释的列表，并将此数据转换为熊猫数据框，其中每一行都对应于一个作者，以及所有唯一子注释的列表他们发表评论。
我目前正在尝试以下各项的组合，但无法解决：
尝试1：
group = df['subreddit'].groupby(df['author']).unique()
list(group)
尝试2：
from collections import defaultdict
subreddit_dict = defaultdict(list)
for index, row in df.iterrows():
author = row['author']
subreddit = row['subreddit']
subreddit_dict[author].append(subreddit)
for key, value in subreddit_dict.items():
subreddit_dict[key] = set(value)
subreddit_df = pd.DataFrame.from_dict(subreddit_dict,
orient = 'index')
这里有两种策略。毫无疑问，还有其他方法。
假设你的数据框看起来事情是这样的（显然有更多列）：
df = pd.DataFrame({'author':['a', 'a', 'b'], 'subreddit':['sr1', 'sr2', 'sr2']})
>>> df
author subreddit
0 a sr1
1 a sr2
2 b sr2
...
解决方案1：groupby
比解决方案2更直接，并且类似于您的第一次尝试：
group = df.groupby('author')
df2 = group.apply(lambda x: x['subreddit'].unique())
# Alternatively, same thing as a one liner:
# df2 = df.groupby('author').apply(lambda x: x['subreddit'].unique())
结果：
>>> df2
author
a [sr1, sr2]
b [sr2]
作者是索引，单列是它们活动所在的所有子索引的列表（根据您的描述，这就是我解释您希望输出的方式）。
如果您希望每个子redredit在单独的列中，可能更有用，具体取决于您要执行的操作，您可以在执行以下操作之后：
df2 = df2.apply(pd.Series)
结果：
>>> df2
0 1
author
a sr1 sr2
b sr2 NaN
解决方案2：遍历数据框
您可以使用所有唯一作者创建一个新的数据框：
df2 = pd.DataFrame({'author':df.author.unique()})
然后只需获取它们处于活动状态的所有唯一子reddit的列表，然后将其分配给新列即可：
df2['subreddits'] = [list(set(df['subreddit'].loc[df['author'] == x['author']]))
for _, x in df2.iterrows()]
这给你这个：
>>> df2
author subreddits
0 a [sr2, sr1]
1 b [sr2]
本文收集自互联网，转载请注明来源。
如有侵权，请联系 [email protected] 删除。
我来说两句