【案例】统计特征出现次数并合并同特征样本

数据分析案例：在一个excel表格中，行为样本，列为特征. 其中有两个特征（分别称之为x和y）可能出现若干次，我们希望：

1. 统计x出现次数，新开一列特征x_count记录该特征出现次数. 例如有5个样本的x都相同，则这5个样本的x_count列的值都赋为5.
2. 合并具有相同x和y的样本，对于其它的特征，只保留其中一个样本的即可（例如同x和y的样本中，保留顺序第一次出现的样本的其它特征）.

关键方法：apply, groupby.

读取表格

import pandas as pd
df = pd.read_excel('excel_name.xlsx')

统计特征x的出现次数

• 很经典的方式，利用字典这一数据结构，遍历特征x，已存在于字典则+1，不存在于字典则初始化为1.
• 有了特征名到出现次数的映射，就可以调用Pandas的apply方法映射出新的特征列，存储出现次数的信息.

x_count = {}
for x in df['x']:
    if x in x_count:
        x_count[x] += 1
    else:
        x_count[x] = 1

将特征x的出现次数赋值给对应的样本

• apply方法获取一个函数，逐个apply到指定特征列的每个值. 也就是遍历该特征列的每个值作为函数输入，所以得到的是一列数据.
• 函数可以用lambda函数，更简洁.

df['x_count'] = df['x'].apply(lambda x: x_count[x])

合并相同特征x（特征y）的样本

• groupby方法，根据指定特征进行分组，这样就可以很方便将同x和y的样本聚合到一起.
• first方法保留group之后每组的第一个样本.

df = df.groupby(['x', 'y']).first().reset_index()

保存表格

df.to_excel("excel_name.xlsx", index=False)