Python 获取熊猫数据帧中所有特征组合的条件概率

Question

我有一个带有一些分类变量的熊猫数据框。像这样的东西——

>>df
'a', 'x'
'a', 'y'

现在，我想返回一个矩阵，其中每个级别的条件概率与其他每个级别一起出现。对于上面的数据框，它看起来像 -

[1, 0.5, 0.5],
[1, 1, 0],
[1, 0, 1]

这三个条目对应于级别"a"、"x"和"y"。

这是因为以第一列为"a"为条件，"x"和"y"出现的概率分别为 0.5，依此类推。 我有一些代码可以做到这一点(如下)。然而，问题是它非常慢。太慢了，以至于我想使用它的应用程序超时了。有没有人有任何技巧可以使其更快？

df = pd.read_csv('pathToData.csv')
df = df.fillna("null")
cols = 0
col_levels = []
columns = {}
num = 0
for i in df.columns:
cols += len(set(df[i]))
col_levels.append(np.sort(list(set(df[i]))))
for j in np.sort(list(set(df[i]))):
columns[i + '_' + str(j)] = num
num += 1
res = np.eye(cols)
for i in range(len(df.columns)):
for j in range(len(df.columns)):
if i != j:
row_feature = df.columns[i]
col_feature = df.columns[j]
rowLevels = col_levels[i]
colLevels = col_levels[j]
for ii in rowLevels:
for jj in colLevels:                
frst = (df[row_feature] == ii) * 1
scnd = (df[col_feature] == jj) * 1
prob = sum(frst*scnd)/(sum(frst) + 1e-9)
frst_ind = columns[row_feature + '_' + ii]
scnd_ind = columns[col_feature + '_' + jj]
res[frst_ind, scnd_ind] = prob

编辑：这是一个更大的例子：

>>df
'a', 'x', 'l'
'a', 'y', 'l'
'b', 'x', 'l'

这里的不同类别的数量是"a"、"b"、"x"、"y"和"l"。由于这是 5 个类别，因此输出矩阵应为 5x5。第一行和第一列是"a"以"a"为条件出现的频率。这当然是 1(所有对角线也是如此)。第一行和第二列以"a"为条件，"b"的概率是多少。由于"a"和"b"是同一列的一部分，因此此值为零。第一行和第三列是"x"以"a"为条件的概率。我们看到"a"出现了两次，但只有一次与"x"一起出现。所以，这个概率是0.5。等等。

Answer 1

我处理这个问题的方法是首先计算数据集中的所有唯一水平。然后循环遍历这些水平的笛卡尔乘积。在每个步骤中，筛选数据集以创建条件为 True 的子集。然后，计算事件发生的子集中的行数。下面是我的代码。

import pandas as pd
from itertools import product
from collections import defaultdict
df = pd.DataFrame({
'col1': ['a', 'a', 'b'],
'col2': ['x', 'y', 'x'],
'col3': ['l', 'l', 'l']
})
levels = df.stack().unique()
res = defaultdict(dict)
for event, cond in product(levels, levels):
# create a subset of rows with at least one element equal to cond
conditional_set = df[(df == cond).any(axis=1)]
conditional_set_size = len(conditional_set)
# count the number of rows in the subset where at least one element is equal to event
conditional_event_count = (conditional_set == event).any(axis=1).sum()
res[event][cond] = conditional_event_count / conditional_set_size
result_df = pd.DataFrame(res)
print(result_df)
# OUTPUT    
#       a         b    l         x         y
# a  1.000000  0.000000  1.0  0.500000  0.500000
# b  0.000000  1.000000  1.0  1.000000  0.000000
# l  0.666667  0.333333  1.0  0.666667  0.333333
# x  0.500000  0.500000  1.0  1.000000  0.000000
# y  1.000000  0.000000  1.0  0.000000  1.000000

我相信还有其他更快的方法，但这是我想到的第一件事。