首页 文章

使用groupby对象--pandas编辑数据框条目

提问于
浏览 次
1

考虑以下数据帧：

index      count     signal
       1          1         1
       2          1        NAN
       3          1        NAN
       4          1        -1
       5          1        NAN
       6          2        NAN
       7          2        -1
       8          2        NAN
       9          3        NAN
       10         3        NAN
       11         3        NAN
       12         4        1
       13         4        NAN
       14         4        NAN

我需要在“信号”中“填充”NAN，并且具有不同“计数”值的值不应相互影响 . 这样我就可以获得以下数据帧：

index      count     signal
       1          1         1
       2          1         1
       3          1         1
       4          1        -1
       5          1        -1
       6          2        NAN
       7          2        -1
       8          2        -1
       9          3        NAN
       10         3        NAN
       11         3        NAN
       12         4        1
       13         4        1
       14         4        1

现在，我逐个遍历每个数据框并填充NAN值，然后复制到新的数据框：

new_table = np.array([]); 
for key, group in df.groupby('count'):
    group['signal'] = group['signal'].fillna(method='ffill')
    group1 = group.copy()
    if new_table.shape[0]==0:
        new_table = group1
    else:
        new_table = pd.concat([new_table,group1])

哪种方法有效，但考虑到数据框架很大，确实很慢 . 我想知道是否有任何其他方法可以使用或不使用groupby方法 . 谢谢！

EDITED:

感谢Alexander和jwilner提供替代方法 . 但是对于拥有800,000行数据的大数据帧，这两种方法都非常慢 .

python pandas group-by dataframe

3 回答

  • 2

    使用 apply 方法 .

    In [56]: df = pd.DataFrame({"count": [1] * 4 + [2] * 5 + [3] * 2 , "signal": [1] + [None] * 4 + [-1] + [None] * 5})

In [57]: df
Out[57]:
    count  signal
0       1       1
1       1     NaN
2       1     NaN
3       1     NaN
4       2     NaN
5       2      -1
6       2     NaN
7       2     NaN
8       2     NaN
9       3     NaN
10      3     NaN

[11 rows x 2 columns]

In [58]: def ffill_signal(df):
   ....:     df["signal"] = df["signal"].ffill()
   ....:     return df
   ....:

In [59]: df.groupby("count").apply(ffill_signal)
Out[59]:
    count  signal
0       1       1
1       1       1
2       1       1
3       1       1
4       2     NaN
5       2      -1
6       2      -1
7       2      -1
8       2      -1
9       3     NaN
10      3     NaN

[11 rows x 2 columns]

    但是，请注意 groupby 重新排序的东西 . 如果计数列不总是保持不变或增加，而是可以在其中重复值，则 groupby 可能会有问题 . 也就是说，给定像 [1, 1, 2, 2, 1] 这样的 count 系列， groupby 会像这样分组： [1, 1, 1], [2, 2] ，这可能会对前向填充产生不良影响 . 如果这是不受欢迎的，你必须创建一个与_1541484一起使用的新系列，它始终保持不变或根据计数系列的变化而增加 - 可能使用 pd.Series.diff 和 pd.Series.cumsum

    回复于
  • 1

    另一种解决方案是创建数据透视表，前向填充值，然后将它们映射回原始DataFrame .

    df2 = df.pivot(columns='count', values='signal', index='index').ffill()
df['signal'] = [df2.at[i, c] 
                for i, c in zip(df2.index, df['count'].tolist())]
>>> df
    count  index  signal
0       1      1       1
1       1      2       1
2       1      3       1
3       1      4      -1
4       1      5      -1
5       2      6     NaN
6       2      7      -1
7       2      8      -1
8       3      9     NaN
9       3     10     NaN
10      3     11     NaN
11      4     12       1
12      4     13       1
13      4     14       1

    有了800k行数据，这种方法的功效取决于“计数”中有多少个唯一值 .

    与我之前的回答相比：

    %%timeit 
for c in df['count'].unique():
    df.loc[df['count'] == c, 'signal'] = df[df['count'] == c].ffill()

100 loops, best of 3: 4.1 ms per loop

%%timeit 
df2 = df.pivot(columns='count', values='signal', index='index').ffill()
df['signal'] = [df2.at[i, c] for i, c in zip(df2.index, df['count'].tolist())]

1000 loops, best of 3: 1.32 ms per loop

    最后，你可以简单地使用 groupby ，虽然它比上一个方法慢：

    df.groupby('count').ffill()
Out[191]: 
    index  signal
0       1       1
1       2       1
2       3       1
3       4      -1
4       5      -1
5       6     NaN
6       7      -1
7       8      -1
8       9     NaN
9      10     NaN
10     11     NaN
11     12       1
12     13       1
13     14       1

%%timeit
df.groupby('count').ffill()

100 loops, best of 3: 3.55 ms per loop
    回复于
  • 0

    假设数据已在df ['index']上预先排序，请尝试使用 loc ：

    for c in df['count'].unique():
    df.loc[df['count'] == c, 'signal'] = df[df['count'] == c].ffill()

>>> df
    index  count signal
0       1      1      1
1       2      1      1
2       3      1      1
3       4      1     -1
4       5      1     -1
5       6      2    NaN
6       7      2     -1
7       8      2     -1
8       9      3    NaN
9      10      3    NaN
10     11      3    NaN
11     12      4      1
12     13      4      1
13     14      4      1
    回复于

相关问题