熊猫在列中计算元素并以重复方式显示

您可以使用此选项:

import pandas as pd

df = pd.DataFrame({
    'A' : [1, 1, 2, 3, 3, 4, 4, 4, 4]
})
df['B'] = df.groupby(['A'])['A'].transform('count')

print(df)

输出:

   A  B
0  1  2
1  1  2
2  2  1
3  3  2
4  3  2
5  4  4
6  4  4
7  4  4
8  4  4

您可以使用groupby和merge:

df = pd.DataFrame({'A' : [1, 1, 2, 3, 3, 4, 4, 4, 4]})

df = df.merge(df.groupby('A').size().reset_index(), on='A')

这将为您提供:

   A  0
0  1  2
1  1  2
2  2  1
3  3  2
4  3  2
5  4  4
6  4  4
7  4  4
8  4  4

快速方式使用 pd.factorize 和 np.bincount

f = df.A.factorize()[0]
df.assign(B=np.bincount(f)[f])

   A  B
0  1  2
1  1  2
2  2  1
3  3  2
4  3  2
5  4  4
6  4  4
7  4  4
8  4  4

解释

pd。因式分解 将创建一个整数数组,其中每个整数表示分解数组中的唯一值。这些整数从零开始。

f

array([0, 0, 1, 2, 2, 3, 3, 3, 3])

NP二进制计数 将使用整数数组中的每个值,并计算该整数的显示次数。如果我们将这些整数视为bin,那么我们将计算每个bin被引用的次数。

np.bincount(f)

array([2, 1, 2, 4])

最后,我们使用 f 对这些计数进行切片,以返回每次引用bin时重复的计数。

np.bincount(f)[f]

array([2, 2, 1, 2, 2, 4, 4, 4, 4])

使用 map 具有 groupby size

df['B']=df.A.map(df.groupby('A').size())
df
Out[630]: 
   A  B
0  1  2
1  1  2
2  2  1
3  3  2
4  3  2
5  4  4
6  4  4
7  4  4
8  4  4