Pandas：过滤数据框以获取过于频繁或过于罕见的值

Question

在 pandas 数据框上，我知道我可以对一个或多个列进行分组，然后过滤出现多于/少于给定数字的值。

但我想对数据框的每一列都执行此操作。我想删除太不频繁（假设发生的次数少于 5%）或太频繁的值。例如，考虑具有以下列的数据框：city of origin, city of destination, distance, type of transport (air/car/foot), time of day, price-interval。

import pandas as pd
import string
import numpy as np
vals = [(c, np.random.choice(list(string.lowercase), 100, replace=True)) for c in 
    'city of origin', 'city of destination', 'distance, type of transport (air/car/foot)', 'time of day, price-interval']
df = pd.DataFrame(dict(vals))
>> df.head()
    city of destination     city of origin  distance, type of transport (air/car/foot)  time of day, price-interval
0   f   p   a   n
1   k   b   a   f
2   q   s   n   j
3   h   c   g   u
4   w   d   m   h

如果这是一个大数据框，则删除包含虚假项目的行是有意义的，例如，如果 time of day = night 仅出现 3% 的时间，或者如果 foot 传输方式很少，等等.

我想从所有列（或列列表）中删除所有此类值。我的一个想法是在每一列 transform 上做一个 value_counts 并为每个 value_counts 添加一列；然后根据它们是否高于或低于阈值进行过滤。但我认为一定有更好的方法来实现这一点？

Answer 1

此过程将遍历 DataFrame 的每一列，并消除给定类别小于给定阈值百分比的行，从而在每个循环上缩小 DataFrame。

此答案与@Ami Tavory 提供的答案相似，但有一些细微差别：

• 它将值计数标准化，因此您可以只使用百分位阈值。
• 每列只计算一次计数，而不是两次。这样可以加快执行速度。

代码：

threshold = 0.03
for col in df:
    counts = df[col].value_counts(normalize=True)
    df = df.loc[df[col].isin(counts[counts > threshold].index), :]

代码时序：

df2 = pd.DataFrame(np.random.choice(list(string.lowercase), [1e6, 4], replace=True), 
                   columns=list('ABCD'))

%%timeit df=df2.copy()
threshold = 0.03
for col in df:
    counts = df[col].value_counts(normalize=True)
    df = df.loc[df[col].isin(counts[counts > threshold].index), :]

1 loops, best of 3: 485 ms per loop

%%timeit df=df2.copy()
m = 0.03 * len(df)
for c in df:
    df = df[df[c].isin(df[c].value_counts()[df[c].value_counts() > m].index)]

1 loops, best of 3: 688 ms per loop

Answer 2

我会选择以下之一：

选项 A

m = 0.03 * len(df)
df[np.all(
    df.apply(
        lambda c: c.isin(c.value_counts()[c.value_counts() > m].index).as_matrix()), 
    axis=1)]

---

解释：

• m = 0.03 * len(df) 是阈值（从复杂的表达式中去掉常数很好）

• df[np.all(..., axis=1)] 保留在所有列中获得某些条件的行。

• df.apply(...).as_matrix 将一个函数应用于所有列，并生成一个结果矩阵。

• c.isin(...) 检查每个列项是否在某个集合中。

• c.value_counts()[c.value_counts() > m].index 是列中计数大于m 的所有值的集合。

选项 B

m = 0.03 * len(df)
for c in df.columns:
    df = df[df[c].isin(df[c].value_counts()[df[c].value_counts() > m].index)]

解释同上。

---

权衡：

• 就我个人而言，我觉得 B 更具可读性。

• B 为每列过滤创建一个新的DataFrame；对于大型 DataFrame，它可能更昂贵。

Answer 3

我是 Python 新手并使用 Pandas。我想出了下面的解决方案。也许其他人可能有更好或更有效的方法。

假设您的 DataFrame 是 DF，您可以使用下面的代码过滤掉所有不常见的值。请务必更新 col 和 bin_freq 变量。 DF_Filtered 是您的新过滤数据框。

# Column you want to filter
col = 'time of day'

# Set your frequency to filter out. Currently set to 5%  
bin_freq = float(5)/float(100)

DF_Filtered = pd.DataFrame()

for i in DF[col].unique():
    counts = DF[DF[col]==i].count()[col] 
    total_counts = DF[col].count()
    freq  = float(counts)/float(total_counts)

    if freq > bin_freq:
        DF_Filtered = pd.concat([DF[DF[col]==i],DF_Filtered])

print DF_Filtered

Answer 4

DataFrames 支持clip_lower(threshold, axis=None) 和clip_upper(threshold, axis=None)，它们会删除低于或高于（分别）某个阈值的所有值。

Answer 5

我们还可以用一个标签替换所有稀有类别，例如“稀有”，如果这不能为预测增加价值，则稍后删除。

# function finds the labels that are more than certain percentage/threshold
def get_freq_labels(df, var, rare_perc):    
    df = df.copy()
    tmp = df.groupby(var)[var].count() / len(df)
    return tmp[tmp > rare_perc].index


vars_cat = [val for val in data.columns if data[val].dtype=='O']
for var in vars_cat:
    # find the frequent categories
    frequent_cat = get_freq_labels(data, var, 0.05)
    # replace rare categories by the string "Rare"
    data[var] = np.where(data[var].isin(
        frequent_cat ), data[var], 'Rare')