使用 pandas/python 基于优先级的分类

Question

我在下面的数据框和代码列表中包含发票相关数据df = pd.DataFrame({    'invoice':[1,1,2,2,2,3,3,3,4,4,4,5,5,6,6,6,7],    'code':[101,104,105,101,106,106,104,101,104,105,111,109,111,110,101,114,112],    'qty':[2,1,1,3,2,4,7,1,1,1,1,4,2,1,2,2,1]})+---------+------+-----+| invoice | code | qty |+---------+------+-----+|    1    |  101 |  2  |+---------+------+-----+|    1    |  104 |  1  |+---------+------+-----+|    2    |  105 |  1  |+---------+------+-----+|    2    |  101 |  3  |+---------+------+-----+|    2    |  106 |  2  |+---------+------+-----+|    3    |  106 |  4  |+---------+------+-----+|    3    |  104 |  7  |+---------+------+-----+|    3    |  101 |  1  |+---------+------+-----+|    4    |  104 |  1  |+---------+------+-----+|    4    |  105 |  1  |+---------+------+-----+|    4    |  111 |  1  |+---------+------+-----+|    5    |  109 |  4  |+---------+------+-----+|    5    |  111 |  2  |+---------+------+-----+|    6    |  110 |  1  |+---------+------+-----+|    6    |  101 |  2  |+---------+------+-----+|    6    |  114 |  2  |+---------+------+-----+|    7    |  104 |  2  |+---------+------+-----+代码列表是，Soda =  [101,102]Hot =  [103,109]Juice =  [104,105]Milk =  [106,107,108]Dessert =  [110,111]category我的任务是根据下面指定的添加一个新列Order of Priority。优先级第一：如果任何发票的数量超过 10 个，则应分类为Mega。例如：qty总和invoice 3 is 12优先事项 2：来自rest of the invoice. 如果列表中有任何code一个，则类别应该是。例如： 在是 在 中。因此，完整发票被分类为。无论发票中是否存在其他项目 ( )。由于优先级适用于发票。invoiceMilkHealthyinvoice 2 code 106MilkHealthycode 101 & 105full优先级No.3：从 中rest of the invoice，如果其中任何一个code在invoice列表中Juice，那么这有2 parts(3.1) 如果该果汁数量的总和为equal to 1，则类别应为OneJuice。例如：invoice 1具有code 104和qty 1.thisinvoice 1将得到，OneJuice无论code 101发票中是否存在其他项目 ( )。由于优先级适用于full发票。(3.2) 如果该果汁数量的总和为greater than 1，则类别应为ManyJuice。例如：invoice 4有code 104 & 105 和qty 1 + 1 = 2。优先级4：从 中rest of the invoice，如果任何code发票在Hot列表中，则应将其分类为HotLovers。无论发票中是否包含其他项目。优先级No.5：从 中rest of the invoice，如果任何code发票在Dessert列表中，则应将其分类为DessertLovers。最后，其余所有发票应归类为Others。

Answer 1

您可以尝试使用np.select

df['category'] = np.select([

    df.groupby('invoice')['qty'].transform('sum') >= 10,

    df['code'].isin(Milk).groupby(df.invoice).transform('any'),

    (df['qty']*df['code'].isin(Juice)).groupby(df.invoice).transform('sum') == 1,

    (df['qty']*df['code'].isin(Juice)).groupby(df.invoice).transform('sum') > 1,

    df['code'].isin(Hot).groupby(df.invoice).transform('any'),

    df['code'].isin(Dessert).groupby(df.invoice).transform('any')

],

    ['Mega','Healthy','OneJuice','ManyJuice','HotLovers','DessertLovers'],

    'Other'

)

print(df)

输出

    invoice  code  qty       category

0         1   101    2       OneJuice

1         1   104    1       OneJuice

2         2   105    1        Healthy

3         2   101    3        Healthy

4         2   106    2        Healthy

5         3   106    4           Mega

6         3   104    7           Mega

7         3   101    1           Mega

8         4   104    1      ManyJuice

9         4   105    1      ManyJuice

10        4   111    1      ManyJuice

11        5   109    4      HotLovers

12        5   111    2      HotLovers

13        6   110    1  DessertLovers

14        6   101    2  DessertLovers

15        6   114    2  DessertLovers

16        7   104    2      ManyJuice

微基准测试

pd.show_versions()

commit           : None

python           : 3.7.5.final.0

python-bits      : 64

OS               : Linux

OS-release       : 4.4.0-18362-Microsoft

machine          : x86_64

processor        : x86_64

byteorder        : little

LC_ALL           : None

LANG             : C.UTF-8

LOCALE           : en_US.UTF-8

pandas           : 0.25.3

numpy            : 1.17.4

数据创建于

def make_data(n):

     return pd.DataFrame({

    'invoice':np.arange(n)//3,

    'code':np.random.choice(np.arange(101,112),n),

    'qty':np.random.choice(np.arange(1,8), n, p=[10/25,10/25,1/25,1/25,1/25,1/25,1/25])

})

结果

perfplot.show(

    setup=make_data,

    kernels=[get_category, get_with_np_select],

    n_range=[2**k for k in range(8, 20)],

    logx=True,

    logy=True,

    equality_check=False,

    xlabel='len(df)')