[Mémo] Petite histoire de pandas, stupide
Un mémo d'une petite histoire qui semble être utilisée souvent mais qui n'est pas utilisée, et il existe de nombreuses autres façons de l'oublier immédiatement
1. Comptez le nombre d'échantillons par jour
Supposons que vous ayez un dataframe de type horodatage.
timestamp score
2013-06-29 00:52:28+00:00 -0.420070
2013-06-29 00:51:53+00:00 -0.445720
2013-06-28 16:40:43+00:00 0.508161
2013-06-28 15:10:30+00:00 0.921474
2013-06-28 15:10:17+00:00 0.876710
Je veux vérifier le nombre d'échantillons par jour comme ça.
score
2013-06-28 3
2013-06-29 2
Je veux préparer un tableau vide, grouper par jour, vérifier le nombre d'échantillons avec count, l'ajouter avec une instruction for et faire le travail pénible en une seule ligne.
df.groupby(df.index.date).count()
Vous pouvez facilement le traiter en passant l'index de dataframe à pd.DataFrame.groupby ().
example1.py
import io
import pandas as pd
content = '''\
timestamp score
2013-06-29 00:52:28+00:00 -0.420070
2013-06-29 00:51:53+00:00 -0.445720
2013-06-28 16:40:43+00:00 0.508161
2013-06-28 15:10:30+00:00 0.921474
2013-06-28 15:10:17+00:00 0.876710
'''
df = pd.read_table(io.BytesIO(content), sep='\s{2,}', parse_dates=[0], index_col=[0])
print(df)
print(df.groupby(df.index.date).count())
En ce qui concerne le traitement lourd, nous avons tendance à éviter group by (), mais il peut être compatible avec datetime.
2. Je souhaite rechercher dans les colonnes de pd.DataFrame plusieurs parties qui correspondent à la chaîne de caractères cible.
S'il existe un bloc de données avec une telle colonne,
print df.columns
Index([u'A_0', u'A_1', u'A_2', u'B_0', u'B_1', u'B_2', u'C_0', u'C_1', u'C_2', u'C_3'], dtype='object', length=121)
Par exemple, je souhaite filtrer uniquement la colonne «B_» à partir de là. Il existe différentes correspondances de chaînes, mais vous pouvez utiliser find
df.ix[:, np.where(df.columns.str.find('B')==0)[0]]
str.find () renvoie la liste avec T / F, donc retirez-la avec ix telle quelle.
3. Extrayez les colonnes / lignes contenant plusieurs valeurs spécifiques du bloc de données en utilisant la liste comme condition de filtrage.
df[df.A > 0]
Je voudrais utiliser une telle expression conditionnelle commune avec une liste comme condition. Vous pouvez le faire tout de suite avec isin.
df[df['A'].isin([0, 1, 2, 3])]
La même opération peut être effectuée avec numpy.
a = np.array([0,1,2,3])
a[np.isin(a,[1,2,5,7])]
4. Sous-échantillonner les données avec un espacement réduit des échantillons
Utilisez pandas.DatatimeIndex et rééchantillonnez Supposons que vous ayez les données suivantes avec des horodatages où l'intervalle d'échantillonnage n'est pas constant.
['2016-11-11 01:41:29', '2016-11-11 01:41:31',
'2016-11-11 01:41:32', '2016-11-11 01:41:33',
'2016-11-11 01:41:34', '2016-11-11 01:41:35',
'2016-11-11 01:41:36', '2016-11-11 01:41:37',
'2016-11-11 01:41:38', '2016-11-11 01:41:38',...
Le sous-échantillonnage à l'aide de groupby prend trop de temps, donc le sous-échantillonnage est plus léger.
x['date'] = pd.to_datetime(x.date)
X = x.copy().set_index('date')
Remplacez la date par pd.DatetimeIndex avec to_timestamp. Réglez la date à indexer.
X.resample('5S').dropna()
5. Convertissez la matrice triangulaire en tableau
Supposons que vous ayez une telle matrice triangulaire supérieure à portée de main.
A = array([[ 4, 0, 3],
[ 0, 4, -2],
[ 0, 0, 7]])
Je veux obtenir une liste de valeurs comme celle-ci.
[4, 0, 3, 4, -2, 7]
Résolu avec numpy.triu_indies ().
>>> A[np.triu_indices(3)]
array([ 4, 0, 3, 4, -2, 7])
Lors de la suppression des valeurs diagonales courantes dans les cartes thermiques, etc., un ajustement est possible en spécifiant k.
>>> A[np.triu_indices(3, k=1)]
array([ 0, 3, -2])
6. Simplifier le comptage des éléments
Pour compter les données (créer un histogramme)
labels = pd.Series(['A', 'B', 'C', 'A', 'C', 'A'])
0 A
1 B
2 C
3 A
4 C
5 A
Utilisez defaultdict pour ce faire.
from collections import Counter, defaultdict
counts = defaultdict(int)
for l in labels:
for l2 in l:
counts[l2] += 1
La sortie ressemble à ceci. defaultdict(<class 'int'>, {'A': 3, 'B': 1, 'C': 2})
Avec les pandas, vous pouvez le faire plus facilement avec group by, mais si vous souhaitez compter les balises imbriquées comme celle ci-dessous, vous pouvez facilement extraire en ajoutant simplement une instruction for.
labels = pd.Series([['A', 'B'], ['C', 'A'],[ 'C', 'A', 'D'], ['D', 'A', 'B']])
from collections import Counter, defaultdict
counts = defaultdict(int)
for l in labels:
for l2 in l:
counts[l2] += 1
Bien entendu, la clé et la valeur de la valeur de retour peuvent être répertoriées comme suit.
list(counts.keys())
list(counts.values())
7. Notation d'inclusion de liste imbriquée
Pour tourner le nid avec for, écrivez comme suit.
[x for inner_list in [[1, 3], [5], [7, 9]] for x in inner_list]
>>> [1, 3, 5, 7, 9]
En passant, vous pouvez également l'utiliser pour créer l'histogramme imbriqué décrit dans "6. Simplifier les éléments de comptage".
pd.DataFrame({'numbers':numbers}).groupby('numbers').size().plot.bar()
8. Dans Pandas DataFrame, saisissez des données tout en donnant des noms de colonne
a = [1,2,3,4,5]
pd.DataFrame({'hello': a})
>>>
hello
0 1
1 2
2 3
3 4
4 5
9. Créez un Json à partir de plusieurs listes
Créez json à partir de la liste.
a=["USA","France","Italy"]
b=["10","5","6"]
À partir de cette liste, je souhaite créer le fichier json suivant.
[{'country': 'USA', 'wins': '10'},
{'country': 'France', 'wins': '5'},
{'country': 'Italy', 'wins': '6'}]
Il existe deux méthodes. Le premier est la compréhension de la liste
>>> [{'country': country, 'wins': wins} for country, wins in zip(a, b)]
[{'country': 'USA', 'wins': '10'},
{'country': 'France', 'wins': '5'},
{'country': 'Italy', 'wins': '6'}]
Le second est json dump
>>> json.dumps(
... [{'country': country, 'wins': wins} for country, wins in zip(a, b)]
... )
'[{"country": "USA", "wins": "10"}, {"country": "France", "wins": "5"}, {"country": "Italy", "wins": "6"}]'
10. Chargez jsonl avec DataFrame
Je veux lire jsonl avec différents nombres d'éléments sur une ligne sans passer par le type de dictionnaire.
json_string = '{"first_name": "Guido", "last_name":"Rossum"}, {"first_name": "Guido", "last_name":"Terry", "test_name": "test-man"}'
parsed_json = pd.read_json(json_string, lines=True)
print(parsed_json)
| first_name | last_name | test_name | |
|---|---|---|---|
| 0 | Guido | Rossum | NaN |
| 1 | Guido | Terry | test-man |
Si vous utilisez pd.read_json (lines = True), vous pouvez lire la ligne json proprement.
11. Créez un json en couches à partir de la liste
Je veux créer le Json suivant.
{'filename': 'filename',
'data': [{'keyword': 'bomber',
'term_freq': 5,
'lists': [{'occurrance': 1},
{'occurrance': 2},
{'occurrance': 3},
{'occurrance': 4},
{'occurrance': 5}]},
{'keyword': 'irritation',
'term_freq': 5,
'lists': [{'occurrance': 1},
{'occurrance': 3},
{'occurrance': 5},
{'occurrance': 7},
{'occurrance': 8}]}]}
Utilisez dict.
import json
dic = {
"bomber": [1, 2, 3, 4, 5],
"irritation": [1, 3, 5, 7, 8]
}
json_dict = {}
data = []
#création de données
for k, v in dic.items():
tmp_dict = {}
#Ajouter un mot-clé
tmp_dict["keyword"] = k
#Ajouter la longueur de la liste
tmp_dict["term_freq"] = len(v)
#Ajouter un mot-clé au contenu de la liste
tmp_dict["lists"] = [{"occurrance": i} for i in v]
data.append(tmp_dict)
json_dict["filename"] = 'filename'
json_dict["data"] = data
print(json.dumps(json_dict))
12. Stockez plusieurs valeurs initiales en tant que nouvelles colonnes
pd.DataFrame.assig()
df['a'], df['b'] = value_a, valueb
Utilisez plutôt assign
df.assign(a=value_a, b=value_b)
13. Je souhaite récupérer rapidement les valeurs d'un DataFrame
S'il s'agit de pd.DataFrame.loc [0,0] ou pd.DataFrame.values, le type de tableau est généré.
Utilisez pd.DataFrame.iat [0,0]
14. Économisez régulièrement des opérations lourdes
Divisez la ligne DF en sections régulières et faites to_csv () La méthode de la division égale est la suivante
x = 17
n = 3
l = [(x + i) // n for i in range(n)]
l
>>> [5, 6, 6]
Réécrivez ce qui suit dans _csv
#Créer un DF approprié pour les tests
df = pd.DataFrame(data={
'a': range(10),
'b': list(map(lambda x: x/5, list(range(10))))
})
test = []
for num in range(n):
begin = sum(l[:num])
end = sum(l[:(num+1)])
test.append(df.iloc[begin:end])
15. Je souhaite exclure plusieurs éléments d'une liste
>>> a = range(1, 10)
>>> [x for x in a if x not in [2, 3, 7]]
[1, 4, 5, 6, 8, 9]
Il semble que cela puisse aussi être fait
x = set(range(10))
y = x - set([2, 3, 7])
# y = set([0, 1, 4, 5, 6, 8, 9])
- Set list into DataFrame as value La liste peut ne pas être stockée dans le DF.
df = pd.DataFrame(data={
'a': [1, 2],
'b': [2, 3]
})
df['c'] = [[3]]
Puisqu'une erreur se produit ci-dessus, exécutez comme suit.
df = pd.DataFrame(data={
'a': [1, 2],
'b': [2, 3]
})
df['c'] = [[3]] * len(df)
17. Organisez l'ordre des colonnes
def df_sort(df):
return df.reindex(sorted(df.columns), axis=1)
18. Rechercher des chaînes de caractères à partir des noms de colonnes
df.columns.str.contains('required string')
19. pd.DataFrame.to_json () orient table de référence rapide
20. Compter les valeurs manquantes dans toutes les colonnes à la fois
df.apply(lambda x: x.isnull().sum(), axis=0)
21. Je souhaite utiliser OneHotEncorder
Utilisez pd.get_dummies ()
Recommended Posts