逐对将相同的值放在不同的列中（滴连接的组件）

Question

框架

elemento_lista	item_id	得分	7	的
这样	777	100	，	691791
了	​	100	数据	691789
6	我	距离	算法	Levenshtein
后	应用	：	获得	​
​	​	​	​	​
​	​	​	​	​
​	​	​	4	691776
6	691789	100	5	691777
6	691789	100	7	691791
7	691791	100	4	691776
7	691791	100	5	691777
7	691791	100	6	691789
9	1407402	100	10	1407424
10	1407424	100	9	1407402

Elemento_lista column is the index of the element that is compared to others ，，，， item_id是元素的ID， 得分是由算法产生的得分， IDX是所发现的元素的索引（与Elemento_lista相同，但对于被发现的元素相似）， Item_id_coincidencia是元素的ID，与

真实DF的小样本（超过300000行）相似，我需要掉落的线相同，例如...如果elemento_lista 4等于IDX 5,6和7 ...它们都是相同的，所以我不需要5等线等于4、6和7/6等于4,5,7，而7等于4，等于4 5,6。每个elemento_lista：value = 9等于IDX 10，所以...我不需要行elemento_lista 10等于IDX 9 ...我如何丢弃这些行以减少df len？ ？

最终DF应该是：

Elemento_lista	Item_id	得分	IDX ITX ITX	ITEM_ID_COINCIDENCIA
4	691776	100	5	691777
4	691776	100	6	691789
4	691776	100	7	691791
9	1407402	100	10 14010	1407424

我不知道...

提前致谢

Answer 1

准备诸如示例之类的数据：

a = [
[4,691776,100,5,691777],
[4,691776,100,6,691789],
[4,691776,100,7,691791],
[5,691777,100,4,691776],
[5,691777,100,6,691789],
[5,691777,100,7,691791],
[6,691789,100,4,691776],
[6,691789,100,5,691777],
[6,691789,100,7,691791],
[7,691791,100,4,691776],
[7,691791,100,5,691777],
[7,691791,100,6,691789],
[9,1407402,100,10,1407424],
[10,1407424,100,9,1407402]
]
c = ['Elemento_lista', 'Item_ID', 'Score', 'idx', 'ITEM_ID_Coincidencia']
df = pd.DataFrame(data = a, columns = c)
df

现在，您插入一列：它将包含一个2个排序索引的数组。

tuples_of_indexes = [sorted([x[0], x[3]]) for x in df.values]
df.insert(5, 'tuple_of_indexes', (tuples_of_indexes))

然后，所有数据帧都是由插入的列对排序的：

df = df.sort_values(by=['tuple_of_indexes'])

然后，您消除了重复插入列的行：

df = df[~df['tuple_of_indexes'].apply(tuple).duplicated()]

最后，您消除插入的列：'tuple_of_indexes'：

df.drop(['tuple_of_indexes'], axis=1)

输出为：

Elemento_lista  Item_ID Score   idx ITEM_ID_Coincidencia
0   4   691776  100 5   691777
1   4   691776  100 6   691789
2   4   691776  100 7   691791
4   5   691777  100 6   691789
5   5   691777  100 7   691791
8   6   691789  100 7   691791
12  9   1407402 100 10  1407424

Answer 2

这可以使用图理论来处理。

您的ID之间有以下关系：

因此，您需要做的就是找到子图。

为此，我们可以使用 networkx 's connected_components

# pip install networkx
import networkx as nx
G = nx.from_pandas_edgelist(df, source='Elemento_lista', target='idx')

# get "first" (arbitrary) node for each subgraph
# note that sets (unsorted) are used
# so there is no guarantee on any node being "first" item
nodes = [tuple(g)[0] for g in nx.connected_components(G) if g]
# [4, 9]

# filter DataFrame
df2 = df[df['Elemento_lista'].isin(nodes)]

    Elemento_lista  Item_ID  Score  idx  ITEM_ID_Coincidencia
0                4   691776    100    5                691777
1                4   691776    100    6                691789
2                4   691776    100    7                691791
12               9  1407402    100   10               1407424

真实数据是超度连接的，仅在Fine 中形成仅2组。

您可以在此处更改策略并使用有向图和 strongly_connected_components

import networkx as nx
#df = pd.read_csv('ADIDAS_CALZADO.csv', index_col=0)
G = nx.from_pandas_edgelist(df, source='Elemento_lista', target='idx', create_using=nx.DiGraph)

# len(list(nx.strongly_connected_components(G)))
# 150 subgraphs

nodes = [tuple(g)[0] for g in nx.strongly_connected_components(G) if g]

df2 = df[df['Elemento_lista'].isin(nodes)]

# len(df2)
# only 2,910 nodes left out of the 25,371 initial ones

过滤 df2 上的新图：