这篇文章主要介绍了pandas中实现将相同ID的字符串进行合并问题，具有很好的参考价值，希望对大家有所帮助。如有错误或未考虑完全的地方，望不吝赐教
问题描述
""" id value 1 A 1 B 1 C 2 D 2 E 2 F 变为： id value 1 [A,B,C] 2 [D,E,F] pandas怎么把上面的结构变为下面的形式？ """
自己的解决方案
import pandas as pd import numpy as np data = pd.DataFrame({'id':[1,1,1,2,2,2],'value':['A','B','C','D','E','F']}) data1 = np.array(data.groupby(['id']))#按照id进行分类 # 转变成array对象之后，可以根据data1[0][1]查看其结构 id_kinds = 2#id的种类，此例比如1、2共两种 all_value = [] for j in range(2): value = [] for i in data1[j][1]['value']: value.append(i) all_value.append(value) print(all_value) #再创建新的dataframe new_data = pd.DataFrame({'id':[1,2],'value':all_value}) print(new_data)输出结果为：
id value
0 1 [A, B, C]
1 2 [D, E, F]
大神的更优化的解法
解法一：
可以用sum方法，将字符串进行连接
import pandas as pd import numpy as np data = pd.DataFrame({'id':[1,1,1,2,2,2],'value':['A','B','C','D','E','F']}) data1 = data.groupby(by='id')['value'].sum()此时的输出结果为：
id
1 ABC
2 DEF
Name: value, dtype: object
但是还不是我们想要的，因为我们还需要在中间加入逗号分隔
① 我们可以先将原始数据的value都变成“,A”
data = pd.DataFrame({'id':[1,1,1,2,2,2],'value':['A','B','C','D','E','F']}) data['value'] = data['value'].apply(lambda x:','+ x)② 然后，对其使用sum方法进行字符串相加
data1 = data.groupby(by='id').sum()
此时的输出结果为，value值之前多了“,”
id value
1 ,A,B,C
2 ,D,E,F
③ 最后，对该列使用apply函数，去除‘,’
data1['value'] = data1['value'].apply(lambda x :[x[1:]])
就得到了最终的结果：
id value
1 [A,B,C]
2 [D,E,F]
解法二：
对分组之后的结果，直接使用apply函数
一行代码就搞定！
data1 = data.groupby(by='id').apply(lambda x:[','.join(x['value'])])
那为什么可以这么做呢？
首先需要剖析的是，groupby之后的数据结构是什么样的，它是由元组构成的（分组名，数据块），数据块也就是dataframe结构。使用以下方式可以查看groupby之后的对象：
for ID，group in group_df: print(ID) print(group)
apply函数中的x作用的即是数据块（dataframe），通过数据块取value那一行得到的是Series对象，于是可以使用join方法进行操作。
总结
sum方法不仅可以用于数值计算，还可用于对于一个Series对象而言的字符串相加
a = ['a','b'] c = pd.Series(a).sum()
apply函数非常灵活，不仅可以作用于一个Series对象，还可以作用于一个groupby之后的数据块
data['value'].apply(lambda x :*****) data.groupby(by='**').apply(lambda x :*****)
lambda匿名函数可以极大优化精简我们的代码，是一个非常灵活好用的函数，记住它！
以上为个人经验，希望能给大家一个参考，也希望大家多多支持0133技术站。
以上就是pandas中实现将相同ID的字符串进行合并的详细内容，更多请关注0133技术站其它相关文章！
