パンダデータフレーム内の類似値の割合を計算する

1つのデータフレームがdfあり、2つの列があります。スクリプト（テキスト付き）とスピーカー

Script  Speaker
aze     Speaker 1 
art     Speaker 2
ghb     Speaker 3
jka     Speaker 1
tyc     Speaker 1
avv     Speaker 2 
bhj     Speaker 1

そして、私は以下のリストを持っています： L = ['a','b','c']

次のコードで、

df = (df.set_index('Speaker')['Script'].str.findall('|'.join(L))
        .str.join('|')
        .str.get_dummies()
        .sum(level=0))
print (df)

私はこのデータフレームを取得しますdf2：

Speaker     a    b    c
Speaker 1   2    1    1
Speaker 2   2    0    0
Speaker 3   0    1    0

次のデータフレームを取得するために、コードにどの行を追加して、データフレームの各行df2について、話者が話すすべての行のパーセンテージ値を取得できますかdf3。

Speaker     a    b    c
Speaker 1   50%  25%   25%
Speaker 2  100%    0   0
Speaker 3   0   100%   0

sum最初の軸に沿ってで除算してから、文字列にキャストして追加し%ます。

out = (df.set_index('Speaker')['Script'].str.findall('|'.join(L))
         .str.join('|')
         .str.get_dummies()
         .sum(level=0))

(out/out.sum(0)[:,None]).mul(100).astype(int).astype(str).add('%')

            a     b    c
Speaker                  
Speaker1   50%   25%  25%
Speaker2  100%    0%   0%
Speaker3    0%  100%   0%

元のデータフレームから始めて、グループ化されたダミーの合計ではなく％が必要な場合は、以下のようにスクリプト全体を変更できます。

m = df.set_index('Speaker')['Script'].str.findall('|'.join(L)) #creates a list of matches
m = m.explode().reset_index() #explode to a series 
final = pd.crosstab(m['Speaker'],m['Script'],normalize='index').mul(100) # percentage pivot

Script         a      b     c
Speaker                      
Speaker 1   50.0   25.0  25.0
Speaker 2  100.0    0.0   0.0
Speaker 3    0.0  100.0   0.0

パーセンテージが必要ない場合は、次のように使用します。

pd.crosstab(m['Speaker'],m['Script'])

Script     a  b  c
Speaker           
Speaker 1  2  1  1
Speaker 2  2  0  0
Speaker 3  0  1  0

注：これはバージョンとしてパンダ0.25+を使用します

(df.set_index('Speaker')['Script'].str.extractall(f'({"|".join(L)})')
   .groupby('Speaker')[0].value_counts(normalize=True)
   .unstack(fill_value=0)
)

出力：

0            a     b     c
Speaker                   
Speaker 1  0.5  0.25  0.25
Speaker 2  1.0  0.00  0.00
Speaker 3  0.0  1.00  0.00

例を考えると、次のコード行で試すことができます。

df = (df/df.sum(axis=1)[:, None]).mul(100).astype(int)

あなたが提供するデータで：

import pandas as pd
import numpy as np
data = {'a':[2,2,0],'b':[1,0,1],'c':[1,0,0]}
df = pd.DataFrame(data)
df = (df/df.sum(axis=1)[:, None]).mul(100).astype(int)
print(df)

出力：

     a   b   c
0   50  25  25
1  100   0   0
2    0 100   0

または、「％」記号を追加する場合：

df = (df / df.sum(axis=1)[:, None]).mul(100).astype(int).astype(str) + '%'

出力：

      a     b    c
0   50%   25%  25%
1  100%    0%   0%
2    0%  100%   0%