根据熊猫DataFrame中的一对列从二级表中找到交集的最有效方法是什么？

debugcn 发表于 Dev

罗科·米奇（Roko Mijic）

我在熊猫中有3个数据框：

UserItem是用户和用户选择的项目的DataFrame，具有2列，即User和Item。

UserTag是一个由用户和标签组成的DataFrame，具有两列，即User和Tag。

ItemTag是项和标签的DataFrame，具有两列，即项和标签。

UserItem_df = pd.DataFrame({'user': ['A', 'B', 'B']      ,  'item': ['i', 'j', 'k']})
UserTag_df  = pd.DataFrame({'user': ['A', 'B']           ,  'tag' : ['T', 'R']})
ItemTag_df  = pd.DataFrame({'item': ['i', 'j', 'k', 'k'] ,  'tag' : ['T', 'S', 'T', 'R']})

我想为UserItem中的每个（用户，项目）对计算该用户的标签与该项目的标签的交集（以及并集！）的大小。

Answer_df = pd.DataFrame({'user': ['A', 'B', 'B']  , 'item': ['i', 'j', 'k'], 'intersection':  [1, 0, 1], 'union' : [1, 2, 2]})

最有效的方法是什么？这些是具有30M行（UserItem_df）的数据帧，其他两个行约有50万行。所有可能的（用户，项目）对的乘积集大约为300亿-我不需要所有可能的对的交集和并集，仅需要UserItem数据帧中的对。

Shubham Sharma

采用：

# step 1:
df1 = pd.merge(UserItem_df, UserTag_df, on='user')

# step 2:
df2 = pd.merge(UserItem_df, ItemTag_df, on='item')

# step 3
df3 = pd.concat([df1, df2], ignore_index=True)

# step 4
df3 = (
    df3.groupby(['user', 'item'])['tag']
    .agg(intersection='count', union='nunique')
    .reset_index()
)
df3['intersection'] -= df3['union']

脚步：

# step 1: df1
  user item tag
0    A    i   T
1    B    j   R
2    B    k   R

# step 2: df2
  user item tag
0    A    i   T
1    B    j   S
2    B    k   T
3    B    k   R

# step 3: df3
  user item tag
0    A    i   T
1    B    j   R
2    B    k   R
3    A    i   T
4    B    j   S
5    B    k   T
6    B    k   R

# step 4: df3
  user item  intersection  union
0    A    i             1      1
1    B    j             0      2
2    B    k             1      2

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。