在熊猫数据框中查找邻居

Question

我有一个自行车数据集，其中有商店的列、它们的销售地点以及有关自行车型号的一些信息。我需要比较每个商店中模型的销售数量。为此，我需要执行以下操作：按商店分组自行车：groups = df.groupby('store_id')然后，对于该商店中的每个模型，我需要找到具有相似特征的模型。即相似的身高、长度、体重等。为此，我设置了 10% 的差异界限，这意味着如果两个模型之间的体重差异小于 10%，则另一个模型是可比较的邻居。最后，对于每个模型，我想看看它在竞争对手中的排名，如果它的表现优于其中的 50%，就给它贴上“最畅销”的标签。问题是，我不知道如何执行第 2 步和第 3 步。有人有想法吗？我看过 pandas 文档中的 Groupby.Transform，但我不知道它如何适合整个画面。非常感谢您的帮助！

Answer 1

试试这个：

import pandas as pd

import numpy as np

def sales_rank(x, df):

    df_ns = df.set_index('id')

    df_ns = df_ns.loc[x.neighbors, 'sales']

    df_ns.sort_values(ascending=False, inplace=True)

    df_ns = df_ns.reset_index()

    return df_ns[df_ns.id == x.id].index[0]

df = pd.DataFrame(data={'id': range(5), 'weight': [20, 21, 23, 43, 22], 'sales':[200, 100, 140, 100, 100]})

df['neighbors'] = df.weight.apply(lambda x: df.id[np.isclose(df.weight.values, x, rtol=0.10)].values)

df['sales_rank_in_neighborhood'] = df.apply(lambda x: sales_rank(x, df) , axis=1)

df['top_seller'] = df.apply(lambda x: x.sales_rank_in_neighborhood < len(x.neighbors)//2, axis=1)

print(df)

输出

   id  weight  sales     neighbors  sales_rank_in_neighborhood  top_seller

0   0      20    200     [0, 1, 4]                           0        True

1   1      21    100  [0, 1, 2, 4]                           3       False

2   2      23    140     [1, 2, 4]                           0        True

3   3      43    100           [3]                           0       False

4   4      22    100  [0, 1, 2, 4]                           2       False

请注意，单元素社区中没有畅销商品。调整规则以适合您的目的。

我希望这有帮助！

编辑

我添加了一个组解决方案，多个定义邻域的规则和固定销售排名实现：

import pandas as pd

import numpy as np

def ns(x, df):

    weight_rule = np.isclose(df.weight.values, x.weight, rtol=0.10)

    gear_rule = df.gear == x.gear

    type_rule = df.type == x.type

    return df.id[np.logical_and.reduce((weight_rule, gear_rule, type_rule))].values

def sales_rank(x, df):

    df_ns = df.set_index('id')

    df_ns = df_ns.loc[x.neighbors, 'sales']

    df_ns.sort_values(ascending=False, inplace=True)

    df_ns = df_ns.reset_index()

    return df_ns[df_ns.id == x.id].index[0]

df = pd.DataFrame(data={'store_id': [0, 1, 0, 1, 0], 'id': range(5), 'weight': [20, 21, 23, 43, 22], 'gear': [3, 3, 3, 7, 3], 'type':['mountain', 'mountain', 'mountain', 'bmx', 'mountain'], 'sales':[200, 100, 140, 100, 100]})

# Columns for results

df['neighbors'] = ''

df['sales_rank_in_neighborhood'] = ''

df['top_seller'] = ''

groups = df.groupby('store_id')

for _, g in groups:

    df_temp = df.loc[g.index, :]

    df_temp.neighbors = df_temp.apply(lambda x: ns(x, df_temp), axis=1)

    df_temp.sales_rank_in_neighborhood = df_temp.apply(lambda x: sales_rank(x, df_temp), axis=1)

    df_temp.top_seller = df_temp.apply(lambda x: x.sales_rank_in_neighborhood < len(x.neighbors)//2, axis=1)

    df.loc[g.index, :] = df_temp

print(df)

输出

   store_id  id  weight  gear      type  sales  neighbors sales_rank_in_neighborhood top_seller

0         0   0      20     3  mountain    200     [0, 4]                          0       True

1         1   1      21     3  mountain    100        [1]                          0      False

2         0   2      23     3  mountain    140     [2, 4]                          0       True

3         1   3      43     7       bmx    100        [3]                          0      False

4         0   4      22     3  mountain    100  [0, 2, 4]                          2      False

我想会有一种方法可以避免循环遍历组，但这似乎可以解决问题。