如何用Pandas识别岩性占比主导项并处理占比平分情况？

以下是针对你的需求的分步实现方案，直接基于你已有的代码扩展：

核心逻辑拆解 #

1. 将岩性字符串解析为「岩性名称-占比数值」的结构化数据
2. 找出每个水井中占比最高的岩性（可能多个）
3. 对存在平分情况的水井，展开生成多条记录
4. 基于处理后的数据绘制直方图

完整代码实现 #

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

# 读取并合并数据（保留你原有的代码）
df1 = pd.read_excel(r"data1.xlsx", 'sheet2')
df2 = pd.read_excel(r"data2.xlsx", 'sheet2')
df = pd.concat([df1, df2])

# 清洗岩性列（保留你原有的代码）
df['INDTAG_LITHOLOGI'].replace('', np.nan, inplace=True)
df.dropna(subset=['INDTAG_LITHOLOGI'], inplace=True)
# 统一列名方便后续处理
df.rename(columns={'INDTAG_LITHOLOGI': 'LITHOLOGY'}, inplace=True)

# 1. 解析岩性字符串为结构化列表
def parse_lithology(litho_str):
    # 分割每个岩性项，去除多余空格
    items = [item.strip() for item in litho_str.split(',')]
    litho_list = []
    for item in items:
        # 分割岩性名称和占比，处理中间的空格
        name, percent_str = [p.strip() for p in item.split(':')]
        # 提取数字并转换为浮点数
        percentage = float(percent_str.replace('%', ''))
        litho_list.append((name, percentage))
    return litho_list

df['litho_parsed'] = df['LITHOLOGY'].apply(parse_lithology)

# 2. 提取所有占比最高的岩性（处理平分情况）
def get_top_lithologies(litho_list):
    # 获取当前水井的最高占比数值
    max_percent = max(percent for _, percent in litho_list)
    # 筛选出所有达到最高占比的岩性
    return [name for name, percent in litho_list if percent == max_percent]

df['top_lithologies'] = df['litho_parsed'].apply(get_top_lithologies)

# 3. 展开平分记录：将列表型列拆分为多条行记录
final_df = df.explode('top_lithologies').rename(columns={'top_lithologies': 'DOMINANT_LITHOLOGY'})
# 保留需要的列（替换为你实际的氟化物列名，比如'FLUORIDE'）
final_df = final_df[['WELL_ID', 'DOMINANT_LITHOLOGY', 'FLUORIDE']]

# 4. 按岩性分组绘制氟化物浓度直方图
for litho, group in final_df.groupby('DOMINANT_LITHOLOGY'):
    plt.figure(figsize=(8, 5))
    plt.hist(group['FLUORIDE'], bins=20, edgecolor='black')
    plt.title(f'氟化物浓度直方图 - 岩性: {litho}')
    plt.xlabel('氟化物浓度')
    plt.ylabel('水井数量')
    plt.show()

关键细节说明 #

• 字符串解析函数：处理了岩性字符串中的多余空格（比如l : 4%这种格式），确保能正确提取岩性名称和占比数值
• 平分情况处理：通过筛选所有等于最高占比的岩性，再用explode函数自动展开为多条记录，无需手动循环处理
• 性能适配：针对9000条数据，该方案完全基于pandas矢量化操作，效率远高于逐行循环

内容的提问来源于stack exchange，提问作者Aslak Holm Brunvand