如何清理混合用户 ID 格式的列，将行转换为整数？

Question

我正在努力清理数据集，转换一列混合格式的用户 ID。检查后，使用 nunique() 命令，我可以观察到大约 15K 个不同的用户，所有用户都以类似 s123456 的数字或缩写形式如“abcde”列出。如何将不同的格式转换为可与其他数据集合并的可比较的数字格式？

我有这个：

df1['Get s-number IDs']
    0          s200100
    1          s203288
    2           wasnur
    3           hdmfla
    4           hdmfla
                ...
    1048555    s164118
    1048556    s164118
    1048557    s164118
    1048558    s164118
    1048559    s164118

我喜欢这个：

df1['User Name']
    0          200100
    1          203288
    2          wasnur (replaced by e.g. a unique dummy integer value)
    3          hdmfla (replaced by e.g. a unique dummy integer value)
    4          hdmfla (replaced by e.g. a unique dummy integer value)
               ...
    1048555    164118
    1048556    164118
    1048557    164118
    1048558    164118
    1048559    164118

当应用各种方法来提取数字或将字符串对象强制转换为 int dtype 时，我不断收到错误。

一旦修复，转换后的数据/dtypes 仍应反映数据集中由上述 nunique() 方法定义的相同数量的唯一值。

在一天结束的时候，我想得到一列我称之为用户名的行，然后将上面的数据与另一个数据集进行比较，以检查我正在使用有效的用户 ID（由我的内部定义客户）。

或者，我如何简单地从列行中删除类似文本的缩写？

感谢您的帮助，BR hubsandspokes

Answer 1

如果您希望分配给不以 s 开头的用户名的数值在运行之间保持一致，这就是我将如何解决您的问题： 给定一个数据框df：

    Get s-number IDs
0   s200100
1   s203288
2   wasnur
3   hdmfla
4   hdmfla
5   s164118
6   s164118
7   s164119
8   s164108
9   s164118  

要转换为唯一的整数 ID，请执行以下操作：

#    from secrets import choice    Removed, because random selection is no longer required
    class USERID:
        
        def __init__(self, idlen = 5):
            self._idln = idlen
            self._defids = dict()
            self._used = set()
            
        def getID(self, name):
            if name in self._defids.keys():
                return self._defids[name]
            return (self.computId(name))
        
        def computId(self, name):
            def translate(name):
                 Removed random selection option
#                nid = str(''.join(choice('0123456789') 
#                                       for i in range (self._idln)))            
#                while int(nid) in self._used or int(nid[0]) == 0:
#                    nid = str(''.join(choice('0123456789') 
#                                       for i in range (self._idln)))
                
                nid = str(hash(name))[:self._idlen)
                self._used.add(int(nid))
                self._defids[name] = int(nid)
                return int(nid)
                
                return 0           
            if name[0] == 's':
                try:
                    nid = int(name[1:])
                    self._used.add(nid)
                    self._defids[name] = nid
                    return nid
                except:
                    return translate(name)
            else:        
                return translate(name)  

Then you can execute:

    ugen = USERID(6)
    df['User Name'] = df.apply(lambda row: ugen.getID(row['Get s-number IDs']), axis= 1)
    df  

产量：

    Get s-number IDs    User Name
0   s200100 200100
1   s203288 203288
2   wasnur  788680
3   hdmfla  391167
4   hdmfla  391167
5   s164118 164118
6   s164118 164118
7   s164119 164119
8   s164108 164108
9   s164118 164118