【python】【pandas】任意条件をもとにダミーデータ列を作成する方法

実現したいこと

以下の【df】の「id」から、【任意条件】をもとに、ユニークのダミーデータを割り当てた「uniqueid」列を作成したく、その方法を色々と検索し試みたのですが、うまくいかず、行き詰っています。
知見のある方、ご教示いただけないでしょうか。

【任意条件】
「居住地」「勤務地」の値が日(=day列：15-17)をまたいでも、それぞれ同一の場合、異なる「id」を同一人物とみなし、
「uniqueid」にユニークのダミー値を割り当てる

【ダミーデータ】
適当な文字列

【df】
id　　|　　居住地　　|　　勤務地　　|　　day　　|
aa1　　　　111111　　　　112233　　　　15
aa2　　　　111112　　　　112231　　　　15
aa3　　　　111113　　　　112232　　　　15
aa4　　　　111114　　　　112234　　　　15
aa5　　　　111115　　　　112235　　　　15
aa6　　　　111116　　　　112236　　　　15
bb1　　　　111111　　　　112233　　　　16
bb3　　　　111113　　　　112232　　　　16
bb5　　　　111115　　　　112235　　　　16
bb6　　　　111116　　　　112236　　　　16
cc1　　　　111111　　　　112233　　　　17
cc3　　　　111113　　　　112232　　　　17
cc5　　　　111115　　　　112235　　　　17

【実現したいこと】
id　　|　　居住地　　|　　勤務地　　|　　day　　|　　uniqueid　　|
aa1　　　　111111　　　　112233　　　　15　　　　　aabbcc1
bb1　　　　111111　　　　112233　　　　16　　　　　aabbcc1
cc1　　　　111111　　　　112233　　　　17　　　　　aabbcc1
aa2　　　　111112　　　　112231　　　　15　　　　　aaaa222
aa3　　　　111113　　　　112232　　　　15　　　　　aabbcc3
bb3　　　　111113　　　　112232　　　　16　　　　　aabbcc3
cc3　　　　111113　　　　112232　　　　17　　　　　aabbcc3
aa4　　　　111114　　　　112234　　　　15　　　　　aaaa444
aa5　　　　111115　　　　112235　　　　15　　　　　aabbcc5
bb5　　　　111115　　　　112235　　　　16　　　　　aabbcc5
cc5　　　　111115　　　　112235　　　　17　　　　　aabbcc5
aa6　　　　111116　　　　112236　　　　15　　　　　aaabbb6
bb6　　　　111116　　　　112236　　　　16　　　　　aaabbb6

発生している問題・分からないこと

条件指定におけるダミーデータの付与

該当のソースコード

特になし

試したこと・調べたこと

teratailやGoogle等で検索した
ソースコードを自分なりに変更した
知人に聞いた
その他

上記の詳細・結果

df = df.groupby(by=["居住地","勤務地","day","id"]).reset_index()

【結果】
id　　|　　居住地　　|　　勤務地　　|　　day　　|
aa1　　　　111111　　　　112233　　　　15
aa2　　　　111112　　　　112231　　　　15
aa3　　　　111113　　　　112232　　　　15
aa4　　　　111114　　　　112234　　　　15
aa5　　　　111115　　　　112235　　　　15
aa6　　　　111116　　　　112236　　　　15
bb1　　　　111111　　　　112233　　　　16
bb3　　　　111113　　　　112232　　　　16
bb5　　　　111115　　　　112235　　　　16
bb6　　　　111116　　　　112236　　　　16
cc1　　　　111111　　　　112233　　　　17
cc3　　　　111113　　　　112232　　　　17
cc5　　　　111115　　　　112235　　　　17

補足

【実現したいこと】
id　　|　　居住地　　|　　勤務地　　|　　day　　|　　uniqueid　　|
aa1　　　　111111　　　　112233　　　　15　　　　　aabbcc1
bb1　　　　111111　　　　112233　　　　16　　　　　aabbcc1
cc1　　　　111111　　　　112233　　　　17　　　　　aabbcc1
→aa1,bb1,cc1は、日をまたいでも（day:15-17）「居住地」「勤務地」が同一なので、同一人物とみなし、aabbcc1をユニーク値として付与。
aa2　　　　111112　　　　112231　　　　15　　　　　aaaa222
→aa2は、このデータのみのため、、aaaa22をユニーク値として付与。
aa3　　　　111113　　　　112232　　　　15　　　　　aabbcc3
bb3　　　　111113　　　　112232　　　　16　　　　　aabbcc3
cc3　　　　111113　　　　112232　　　　17　　　　　aabbcc3
aa4　　　　111114　　　　112234　　　　15　　　　　aaaa444
aa5　　　　111115　　　　112235　　　　15　　　　　aabbcc5
bb5　　　　111115　　　　112235　　　　16　　　　　aabbcc5
cc5　　　　111115　　　　112235　　　　17　　　　　aabbcc5
aa6　　　　111116　　　　112236　　　　15　　　　　aaabbb6
bb6　　　　111116　　　　112236　　　　16　　　　　aaabbb6
→aa6,bb6は、日をまたいでも（day:15,16）「居住地」「勤務地」が同一なので、同一人物とみなし、aaabbb6をユニーク値として付与。

sanfuji

2024/07/02 06:38

回答ありがとうございます。【実現したいこと】の補足をします。【df】は数十万レコードあり、日をまたいでも「居住地」「勤務地」が同一のidは複数あります。【実現したいこと】 id　　|　　居住地　　|　　勤務地　　|　　day　　|　　uniqueid　　| aa1　　　　111111　　　　112233　　　　15　　　　abc123 bb2　　　　111111　　　　112233　　　　16　　　　abc123 cc3　　　　111111　　　　112233　　　　17　　　　abc123 bb5　　　　111111　　　　112233　　　　16　　　　bbb555 aa7　　　　111111　　　　112233　　　　15　　　　aabb78 bb8　　　　111111　　　　112233　　　　16　　　　aabb78 →「id」がaa1-cc3、bb5、aa7-bb8は、異なるユニークidとしてダミーを割り当てたいのですが、ご教示いただけないでしょうか。

TakaiY

2024/07/02 07:36

上記のように分類するための条件が不明です。たとえば、aa1 が bb8でなく、bb2 と同一と判断できる理由は何ですか？

sanfuji

2024/07/02 08:53

コメントありがとうございます。説明不足で恐縮ですが、「id」列は重要ではなく、「uniqueid」列のダミーデータを作成するにあたり、「居住地」「勤務地」がそれぞれ同一で、「day」の番号を15,16,17,15,16,17・・・15,16,17と、連続させて（15,16 or 16,17 or 15のみ or 16のみ or 17のみも含め）、このような条件と並びのデータに対して、ダミーのユニークidを「uniqueid」に割り当てることをしたく、ご教示いただけないでしょうか。【実現したいこと】※id列を除いた極端な例　　居住地　　|　　勤務地　　|　　day　　|　　uniqueid　　| 　　111111　　　　112233　　　　15　　　　abc123 　　111111　　　　112233　　　　16　　　　abc123 　　111111　　　　112233　　　　17　　　　abc123 　　111111　　　　112233　　　　16　　　　bbb555 　　111111　　　　112233　　　　15　　　　aabb78 　　111111　　　　112233　　　　16　　　　aabb78 【実現したいことの補足】「uniqueid」にダミーデータを割り当てる際の処理は、以下の条件のパターン①から④を順に割り当てるのかと思います。条件のパターン①　「居住地」「勤務地」が同一で「day」が15-17まで連続する場合　　居住地　　|　　勤務地　　|　　day　　|　　uniqueid　　| 　　111111　　　　112233　　　　15　　　　abc123 　　111111　　　　112233　　　　16　　　　abc123 　　111111　　　　112233　　　　17　　　　abc123 　　111111　　　　112233　　　　15　　　　abc234 　　111111　　　　112233　　　　16　　　　abc234 　　111111　　　　112233　　　　17　　　　abc234 条件のパターン②　「居住地」「勤務地」が同一で「day」が15,16と連続する場合　　居住地　　|　　勤務地　　|　　day　　|　　uniqueid　　| 　　111111　　　　112233　　　　15　　　　efg123 　　111111　　　　112233　　　　16　　　　efg123 　　111111　　　　112233　　　　15　　　　efg234 　　111111　　　　112233　　　　16　　　　efg234 条件のパターン③　「居住地」「勤務地」が同一で「day」が16,17と連続する場合　　居住地　　|　　勤務地　　|　　day　　|　　uniqueid　　| 　　111111　　　　112233　　　　16　　　　hij123 　　111111　　　　112233　　　　17　　　　hij123 　　111111　　　　112233　　　　16　　　　hij234 　　111111　　　　112233　　　　17　　　　hij234 条件のパターン④　「居住地」「勤務地」が同一で「day」が15,16,17それぞれのみの場合　　居住地　　|　　勤務地　　|　　day　　|　　uniqueid　　| 　　111111　　　　112233　　　　15　　　　kwe123 　　111111　　　　112233　　　　16　　　　lqo123 　　111111　　　　112233　　　　17　　　　axs234 伝え方が下手で恐縮ですが、知見ございましたら、ご教示願います。

TakaiY

2024/07/02 09:13

ということは行の並び順が重要ということですね。　　111111　　　　112233　　　　15 　　111111　　　　998877　　　　15 　　111111　　　　112233　　　　16 この場合、1行目と3行目は(2行目は当然として)別UniqIDとなるということですね。

sanfuji

2024/07/02 11:28

TakaiYさん、コメントありがとうございます。おっしゃる通りです。

sanfuji

2024/07/02 11:36

meilanさん、回答ありがとうございます。記載いただいたコードを実行しますと、以下のエラーが出ます。エラー原因を調べたのですが、わからず、対応をご教示いただけないでしょうか。ーー df = df.groupby(['居住地', '勤務地'])\ .apply(lambda x: x.assign(uniqueid=uuid4()), include_groups=False)\ .reset_index()[[*df.columns]+['uniqueid']] ーー TypeError：＜lambda＞() got an unexpected keyword argument 'include_groups'

melian

2024/07/02 13:08 編集

回答に追記しましたので、そちらをご覧ください。

sanfuji

2024/07/03 01:19

melianさん、コメントと回答ありがとうございます。ご指摘のとおり、pandas 1.3.2とバージョンが古く、また、明記せず失礼いたしました。記載いただいたコードの出力結果は以下の通りで、 uniqueidの"abc123"を3つのユニークid(e.g."abc123","ret437","los998")に分けるのが、【実現したいこと】になります。（補足は15:38,17:53のコメントになります）ご教示いただけないでしょうか。【出力結果】　居住地　　|　　勤務地　　|　　day　　|　　uniqueid　　| 　　111111　　　　112233　　　　15　　　　abc123 　　111111　　　　112233　　　　15　　　　abc123 　　111111　　　　112233　　　　15　　　　abc123 　　111111　　　　112233　　　　16　　　　abc123 　　111111　　　　112233　　　　16　　　　abc123 　　111111　　　　112233　　　　16　　　　abc123 　　111111　　　　112233　　　　17　　　　abc123 　　111111　　　　112233　　　　17　　　　abc123 　　111111　　　　112233　　　　17　　　　abc123 　　　　　　　　　　　　　・　　　　　　　　　　　　　・　　111111　　　　112244　　　　15　　　　efg123 　　111111　　　　112244　　　　15　　　　efg123 　　111111　　　　112244　　　　15　　　　efg123 　　111111　　　　112244　　　　16　　　　efg123 　　111111　　　　112244　　　　16　　　　efg123 　　111111　　　　112244　　　　16　　　　efg123 　　111111　　　　112244　　　　17　　　　efg123 　　111111　　　　112244　　　　17　　　　efg123 　　111111　　　　112244　　　　17　　　　efg123 【実現したいこと】　居住地　　|　　勤務地　　|　　day　　|　　uniqueid　　| 　　111111　　　　112233　　　　15　　　　abc123 　　111111　　　　112233　　　　16　　　　abc123 　　111111　　　　112233　　　　17　　　　abc123 　　111111　　　　112233　　　　15　　　　abc456 　　111111　　　　112233　　　　16　　　　abc456 　　111111　　　　112233　　　　17　　　　abc456 　　111111　　　　112233　　　　15　　　　abc789 　　111111　　　　112233　　　　16　　　　abc789 　　111111　　　　112233　　　　17　　　　abc789 　　　　　　　　　　　　　・　　　　　　　　　　　　　・　　111111　　　　112244　　　　15　　　　efg123 　　111111　　　　112244　　　　16　　　　efg123 　　111111　　　　112244　　　　17　　　　efg123 　　111111　　　　112244　　　　15　　　　efg456 　　111111　　　　112244　　　　16　　　　efg456 　　111111　　　　112244　　　　17　　　　efg456 　　111111　　　　112244　　　　15　　　　efg789 　　111111　　　　112244　　　　16　　　　efg789 　　111111　　　　112244　　　　17　　　　efg789 →15,16,17を繰り返す並びのデータ（17:53のコメントの条件含め）にユニークidをダミーで付与したく、ご教示願います。

sanfuji

2024/07/03 01:35

badfanさん、回答ありがとうございます。説明がうまくできず恐縮です。記載いただいたコードの出力結果は以下の通りで、dayが変わるところだけでなく、 dayが連続しているデータにユニークidを割り当てるのが、【実現したいこと】になります。ご教示いただけないでしょうか。【出力結果】　居住地　　|　　勤務地　　|　　day　　|　　uniqueid　　| 　　111111　　　　112233　　　　15　　　　abc123 　　111111　　　　112233　　　　15　　　　abc234 　　111111　　　　112233　　　　15　　　　abc345 　　111111　　　　112233　　　　16　　　　abc345 　　111111　　　　112233　　　　16　　　　abc567 　　111111　　　　112233　　　　16　　　　abc789 　　111111　　　　112233　　　　17　　　　abc789 　　111111　　　　112233　　　　17　　　　abc890 　　111111　　　　112233　　　　17　　　　abc90a 【実現したいこと】　居住地　　|　　勤務地　　|　　day　　|　　uniqueid　　| 　　111111　　　　112233　　　　15　　　　abc123 　　111111　　　　112233　　　　16　　　　abc123 　　111111　　　　112233　　　　17　　　　abc123 　　111111　　　　112233　　　　15　　　　abc456 　　111111　　　　112233　　　　16　　　　abc456 　　111111　　　　112233　　　　17　　　　abc456 　　111111　　　　112233　　　　15　　　　abc789 　　111111　　　　112233　　　　16　　　　abc789 　　111111　　　　112233　　　　17　　　　abc789

sanfuji

2024/07/03 02:21

コメントと回答いただきました皆さん、【実現したいこと】の説明が不備等、ご容赦ください。【実現したいこと】の別の言い方になります。以下の【df】のデータを上からなめていき、「居住地」「勤務地」がそれぞれ同一で、「day」が15のデータに”abc123”のダミーデータを「uniqueid」列に割り当てます。次に、「居住地」「勤務地」がそれぞれ同一で、「day」が16のデータがあれば、"abc123"を付与し、次に、「居住地」「勤務地」がそれぞれ同一で、「day」が17のデータがあれば、"abc123"を付与し、この"abc123"の割り当ては完了。次のダミーデータ割り当てに移り、「居住地」「勤務地」がそれぞれ同一で、「day」が15のデータに”abc456”のダミーデータを「uniqueid」列に割り当て、以降、同じことを繰り返します。（繰り返す過程で、7/2 17:53のコメントにある「条件のパターン」が生じると思い、記載いたしました。）【df】　　居住地　　|　　勤務地　　|　　day　　| 　　111111　　　　112233　　　　15　　→　"abc123"をダミーデータとして「uniqueid」に付与　　111111　　　　112233　　　　15　　→　"aabbcc"をダミーデータとして「uniqueid」に付与　　928845　　　　817264　　　　15　　→　"abc456"をダミーデータとして「uniqueid」に付与　　200980　　　　200121　　　　15　　→　"abc789"をダミーデータとして「uniqueid」に付与　　548192　　　　556119　　　　15　　→　"efg123"をダミーデータとして「uniqueid」に付与　　111111　　　　112233　　　　16　　→　"abc123"をダミーデータとして「uniqueid」に付与　　111111　　　　112233　　　　15　　→　"aabbcc"をダミーデータとして「uniqueid」に付与　　178260　　　　178227　　　　16　　→　"efg456"をダミーデータとして「uniqueid」に付与　　200980　　　　200121　　　　16　　→　"abc789"をダミーデータとして「uniqueid」に付与　　548192　　　　556119　　　　16　　→　"efg123"をダミーデータとして「uniqueid」に付与　　111111　　　　112233　　　　17　　→　"abc123"をダミーデータとして「uniqueid」に付与　　111111　　　　112233　　　　15　　→　"aabbcc"をダミーデータとして「uniqueid」に付与　　178260　　　　178227　　　　17　　→　"efg456"をダミーデータとして「uniqueid」に付与　　333704　　　　333882　　　　17　　→　"efg789"をダミーデータとして「uniqueid」に付与　　548192　　　　556119　　　　17　　→　"efg123"をダミーデータとして「uniqueid」に付与　　　　　　　　　　　↓ 　　居住地　　|　　勤務地　　|　　day　　|　　uniqueid　　| 　　111111　　　　112233　　　　15　　　　abc123 　　111111　　　　112233　　　　15　　　　aabbcc 　　928845　　　　817264　　　　15　　　　abc456 　　200980　　　　200121　　　　15　　　　abc789 　　548192　　　　556119　　　　15　　　　efg123 　　111111　　　　112233　　　　16　　　　abc123 　　111111　　　　112233　　　　15　　　　aabbcc 　　178260　　　　178227　　　　16　　　　efg456 　　200980　　　　200121　　　　16　　　　abc789 　　548192　　　　556119　　　　16　　　　efg123 　　111111　　　　112233　　　　17　　　　abc123 　　111111　　　　112233　　　　15　　　　aabbcc 　　178260　　　　178227　　　　17　　　　efg456 　　333704　　　　333882　　　　17　　　　efg789 　　548192　　　　556119　　　　17　　　　efg123 【実現したいこと】※dayを15,16,17を繰り返す並びにすると　　居住地　　|　　勤務地　　|　　day　　|　　uniqueid　　| 　　111111　　　　112233　　　　15　　　　abc123 　　111111　　　　112233　　　　16　　　　abc123 　　111111　　　　112233　　　　17　　　　abc123 　　111111　　　　112233　　　　15　　　　aabbcc 　　111111　　　　112233　　　　16　　　　aabbcc 　　111111　　　　112233　　　　17　　　　aabbcc 　　928845　　　　817264　　　　15　　　　abc456 　　200980　　　　200121　　　　15　　　　abc789 　　200980　　　　200121　　　　16　　　　abc789 　　548192　　　　556119　　　　15　　　　efg123 　　548192　　　　556119　　　　16　　　　efg123 　　548192　　　　556119　　　　17　　　　efg123 　　178260　　　　178227　　　　16　　　　efg456 　　178260　　　　178227　　　　17　　　　efg456 　　333704　　　　333882　　　　17　　　　efg789

melian

2024/07/03 03:11

7行目の day が 15 となっていますが、これは 16 ではないでしょうか? 111111　　　　112233　　　　15　　→　"aabbcc"をダミーデータとして「uniqueid」に付与また、12行目の day は 17 ではないでしょうか? 111111　　　　112233　　　　15　　→　"aabbcc"をダミーデータとして「uniqueid」に付与

sanfuji

2024/07/03 04:51

melianさん、ご指摘ありがとうございます。おっしゃる通り、7行目のdayは 16 、12行目は 17 です。失礼いたしました。

TakaiY

2024/07/03 06:41

dayは15, 16, 17 しかないのでしょうか？任意の値になりますか？元のデータはどのように並んでいますか？居住地・勤務地が同じで、dayも同じなデータは存在する可能性はありますか？存在する場合、どのように扱いますか。 3つ前のポストで、一番最初の手順に > 「居住地」「勤務地」がそれぞれ同一で、「day」が15のデータに”abc123”のダミーデータを「uniqueid」列に割り当てます。と書いてあります。この「それぞれ」同一とは何がそれぞれ同一なのでしょうか？単に「最初にみつかったdayが15のデータ」ではないのでしょうか？

sanfuji

2024/07/03 06:55

TakaiYさん、コメントありがとうございます。他の方の回答により、本件、解決とさせていただきます。説明等の不備、ご容赦ください。

行動規範の内容に同意します

回答3件

ベストアンサー

追記の追記

コメントにて、並べ替えの方法が提示されましたが、想定している並べ替え方と違うため、下記回答ではできないケースがあるかもしれません。

追記

もとのdfがちゃんと並んでいるわけではなく、こちらで整列の方法も考える必要があるみたいです。できるだけ連番ができるようにしてみました。

python
1df['n'] = df.groupby(['居住地', '勤務地', 'day']).cumcount()
2df = df.sort_values(['居住地', '勤務地', 'n', 'day']).drop(columns='n')
3
4consecutive = ((df['居住地'] == df['居住地'].shift(1))
5               & (df['勤務地'] == df['勤務地'].shift(1))
6               & (df['day'] - df['day'].shift(1) == 1))
7
8df['uniqueid'] = (~consecutive).cumsum()

元の回答とは、ソートの方法を変えただけです。(コード省略のため、uniquid は連番のままです)

元の回答

質問やコメントにある、同じ uniqueid を割り振る条件がちょっと曖昧なので、勝手な想像で

もとの df を [居住地, 勤務地] で stable なソートをしたデータで、
居住地、勤務地が同じで、day が連番になっているかたまり

に同じuniqueidを割り当てるという考え方でやってみました。

python
1df = df.sort_values(['居住地', '勤務地'], kind='stable')
2
3consecutive = ((df['居住地'] == df['居住地'].shift(1))
4               & (df['勤務地'] == df['勤務地'].shift(1))
5               & (df['day'] - df['day'].shift(1) == 1))
6
7unique_id = (~consecutive).cumsum()

(よくある、ある条件で区切って groupby するときにやってるのと同じ)

このままだと、unique_id が単なる連番なので

python
1df['uniqueid'] = df.groupby(unique_id)['id'].transform('sum')

で元の id の連結にするとか、以下のように map を使ってランダムなもの(ここでは uuid4)で置き換えるといいのではないでしょうか。

python
1from uuid import uuid4
2
3mapper = {uid: str(uuid4()) for uid in unique_id.unique()}
4df['uniqueid'] = unique_id.map(mapper)

投稿2024/07/02 14:16

編集2024/07/03 03:28

bsdfan

総合スコア4774

sanfuji

2024/07/03 06:49

bsdfanさん、回答ありがとうございます。編集いただいたコードの実行で、【実現したいこと】の出力を確認いたしました。説明等の不備で、お手数おかけしましたが、ご容赦ください。

行動規範の内容に同意します

python
1import pandas as pd
2import io
3from uuid import uuid4
4
5csv_data = '''
6居住地,勤務地,day
7111111,112233,15
8111111,112233,15
9928845,817264,15
10200980,200121,15
11548192,556119,15
12111111,112233,16
13111111,112233,16
14178260,178227,16
15200980,200121,16
16548192,556119,16
17111111,112233,17
18111111,112233,17
19178260,178227,17
20333704,333882,17
21548192,556119,17
22'''
23df = pd.read_csv(io.StringIO(csv_data))
24
25#
26uid_iter = (uuid4() for _ in range(len(df)))
27cols = df.columns.to_list()
28df['cumcount'] = df.groupby(cols).cumcount()
29df['uniqueid'] = df.groupby(['居住地', '勤務地', 'cumcount'], sort=False)['cumcount'].transform(lambda _: next(uid_iter))
30df = df.set_index('uniqueid').loc[df['uniqueid'].unique()].reset_index()[[*cols, 'uniqueid']]
31
32print(df)