示例数据：
id cluster
1 3
2 3
3 3
4 3
5 1
6 1
7 2
8 2
9 2
10 4
11 4
12 5
13 6
我想要做的是将最大的群集ID替换为0，将第二个群集ID替换为1，依此类推。输出如下所示。
id cluster
1 0
2 0
3 0
4 0
5 2
6 2
7 1
8 1
9 1
10 3
11 3
12 4
13 5
我不太确定从哪里开始。任何帮助将非常感激。
答案 0 :(得分：4)
目标是将'cluster'列中定义的组重新标记该组中该组的总值计数的相应排名。我们将其分解为几个步骤：
方法1
使用Numpy的numpy.unique + argsort
TL; DR
u, i, c = np.unique(
df.cluster.values,
return_inverse=True,
return_counts=True
)
(-c).argsort()[i]
事实证明，numpy.unique执行整数分解的任务并一次性计算值。在此过程中，我们也获得了独特的价值观，但我们并不真正需要这些价值观。而且，整数分解并不明显。这是因为根据numpy.unique函数，我们要查找的返回值称为inverse。它被称为逆，因为它的目的是在给定唯一值数组的情况下取回原始数组。所以，如果我们让
u, i, c = np.unique(
df.cluster.values,
return_inverse=True,
return_couns=True
)
您会看到i看起来像：
array([2, 2, 2, 2, 0, 0, 1, 1, 1, 3, 3, 4, 5])
如果我们u[i]，我们会收回原来的df.cluster.values
array([3, 3, 3, 3, 1, 1, 2, 2, 2, 4, 4, 5, 6])
但我们将把它用作整数分解。
接下来，我们需要计数c
array([2, 3, 4, 2, 1, 1])
我打算提议使用argsort，但这令人困惑。所以我会尝试展示它：
np.row_stack([c, (-c).argsort()])
array([[2, 3, 4, 2, 1, 1],
[2, 1, 0, 3, 4, 5]])
argsort通常做的是放置顶点（位置0），即从原始数组中绘制的位置。
# position 2
# is best
# |
# v
# array([[2, 3, 4, 2, 1, 1],
# [2, 1, 0, 3, 4, 5]])
# ^
# |
# top spot
# from
# position 2
# position 1
# goes to
# pen-ultimate spot
# |
# v
# array([[2, 3, 4, 2, 1, 1],
# [2, 1, 0, 3, 4, 5]])
# ^
# |
# pen-ultimate spot
# from
# position 1
这使我们能够做的是使用整数分解对这个argsort结果进行切片，以达到重新排名。
# i is
# [2 2 2 2 0 0 1 1 1 3 3 4 5]
# (-c).argsort() is
# [2 1 0 3 4 5]
# argsort
# slice
# \ / This is our integer factorization
# a i
# [[0 2] <-- 0 is second position in argsort
# [0 2] <-- 0 is second position in argsort
# [0 2] <-- 0 is second position in argsort
# [0 2] <-- 0 is second position in argsort
# [2 0] <-- 2 is zeroth position in argsort
# [2 0] <-- 2 is zeroth position in argsort
# [1 1] <-- 1 is first position in argsort
# [1 1] <-- 1 is first position in argsort
# [1 1] <-- 1 is first position in argsort
# [3 3] <-- 3 is third position in argsort
# [3 3] <-- 3 is third position in argsort
# [4 4] <-- 4 is fourth position in argsort
# [5 5]] <-- 5 is fifth position in argsort
然后我们可以将其放入pd.DataFrame.assign
u, i, c = np.unique(
df.cluster.values,
return_inverse=True,
return_counts=True
)
df.assign(cluster=(-c).argsort()[i])
id cluster
0 1 0
1 2 0
2 3 0
3 4 0
4 5 2
5 6 2
6 7 1
7 8 1
8 9 1
9 10 3
10 11 3
11 12 4
12 13 5
方法2
我将利用相同的概念。但是，我会使用Pandas pandas.factorize来获取numpy.bincount的整数分解来计算值。使用这种方法的原因是因为Numpy的unique实际上在分解和计数中对值进行排序。 pandas.factorize没有。对于较大的数据集，大哦是我们的朋友，因为这仍然是O(n)，而Numpy方法是O(nlogn)。
i, u = pd.factorize(df.cluster.values)
c = np.bincount(i)
df.assign(cluster=(-c).argsort()[i])
id cluster
0 1 0
1 2 0
2 3 0
3 4 0
4 5 2
5 6 2
6 7 1
7 8 1
8 9 1
9 10 3
10 11 3
11 12 4
12 13 5
答案 1 :(得分：3)
您可以使用groupby，transform和rank：
df['cluster'] = df.groupby('cluster').transform('count')\
.rank(ascending=False, method='dense')\
.sub(1).astype(int)
输出：
id cluster
0 1 0
1 2 0
2 3 0
3 4 0
4 5 2
5 6 2
6 7 1
7 8 1
8 9 1
9 10 3
答案 2 :(得分：2)
使用category和value_counts
df.cluster.map((-df.cluster.value_counts()).astype('category').cat.codes
)
Out[151]:
0 0
1 0
2 0
3 0
4 2
5 2
6 1
7 1
8 1
9 3
Name: cluster, dtype: int8
答案 3 :(得分：1)
这不是最干净的解决方案，但确实有效。随意提出改进建议：
valueCounts = df.groupby('cluster')['cluster'].count()
valueCounts_sorted = df.sort_values(ascending=False)
for i in valueCounts_sorted.index.values:
print (i)
temp = df[df.cluster == i]
temp["random"] = count
idx = temp.index.values
df.loc[idx, "cluster"] = temp.random.values
count += 1