Calculer le pourcentage de valeurs similaires dans la trame de données pandas

J'ai un dataframe df, avec deux colonnes: Script (avec texte) et Speaker

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

Et j'ai la liste suivante: L = ['a','b','c']

Avec le code suivant,

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

J'obtiens ce dataframe df2:

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

Quelle ligne puis-je ajouter dans mon code pour obtenir, pour chaque ligne de mon dataframe df2, un pourcentage de toutes les lignes parlées par locuteur, afin d'avoir le dataframe suivant df3:

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

Vous pouvez diviser par le sumlong du premier axe, puis convertir en chaîne et ajouter %:

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%

À partir de votre trame de données d'origine, si vous voulez% et non la somme groupée des nuls, vous pouvez changer le script entier comme ci-dessous:

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

Si vous ne voulez pas du pourcentage, utilisez simplement:

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

Remarque: cela utilise pandas 0.25+ comme version

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

Production:

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

Étant donné l'exemple, vous pouvez essayer avec la ligne de code suivante:

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

Avec les données que vous fournissez:

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)

Production:

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

Ou, si vous souhaitez ajouter le symbole '%':

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

Production:

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