使用下面的 pandas 数据框,取自 dict of dict:
import numpy as np
import pandas as pd
from scipy.stats import pearsonr
NaN = np.nan
dd ={'A': {'A': '1', 'B': '2', 'C': '3'},
'B': {'A': '4', 'B': '5', 'C': '6'},
'C': {'A': '7', 'B': '8', 'C': '9'}}
df_link_link = pd.DataFrame.from_dict(dd, orient='index')
我想形成一个新的 pandas DataFrame,其中每一行的行之间的 Pearson 相关结果不包括相同行之间的 Pearson 相关(将 A 与其自身相关应该只是 NaN
。这在此处被拼写为一个 dict of dicts:
dict_congruent = {'A': {'A': NaN,
'B': pearsonr([NaN,2,3],[4,5,6]),
'C': pearsonr([NaN,2,3],[7,8,9])},
'B': {'A': pearsonr([4,NaN,6],[1,2,3]),
'B': NaN,
'C': pearsonr([4,NaN,6],[7,8,9])},
'C': {'A': pearsonr([7,8,NaN],[1,2,3]),
'B': pearsonr([7,8,NaN],[4,5,6]),
'C': NaN }}
NaN
就是 numpy.nan
。有没有一种方法可以在不遍历字典的情况下将其作为 Pandas 内的操作来执行?我有大约 7600 万对,所以非迭代方法会很棒,如果存在的话。
最佳答案
规范但不可行的解决方案
df.corr().mask(np.equal.outer(df.index.values, df.columns.values))
corr
的默认方法是 pearson
。
TL;DR
转换您的数据以使用它
系上蝴蝶结
非常广泛的数据
np.random.seed([3,1415])
m, n = 1000, 10000
df = pd.DataFrame(np.random.randn(m, n), columns=['s{}'.format(i) for i in range(n)])
魔法函数
def corr(df, step=100, mask_diagonal=False):
n = df.shape[0]
def corr_closure(df):
d = df.values
sums = d.sum(0, keepdims=True)
stds = d.std(0, keepdims=True)
def corr_(k=0, l=10):
d2 = d.T.dot(d[:, k:l])
sums2 = sums.T.dot(sums[:, k:l])
stds2 = stds.T.dot(stds[:, k:l])
return pd.DataFrame((d2 - sums2 / n) / stds2 / n,
df.columns, df.columns[k:l])
return corr_
c = corr_closure(df)
step = min(step, df.shape[1])
tups = zip(range(0, n, step), range(step, n + step, step))
corr_table = pd.concat([c(*t) for t in tups], axis=1)
if mask_diagonal:
np.fill_diagonal(corr_table.values, np.nan)
return corr_table
示范
ct = corr(df, mask_diagonal=True)
ct.iloc[:10, :10]
魔术解决方案解释
逻辑:
- 使用闭包预先计算列总和和标准差
- 返回一个函数,该函数获取要关联的列的位置
def corr_closure(df):
d = df.values # get underlying numpy array
sums = d.sum(0, keepdims=True) # pre calculate sums
stds = d.std(0, keepdims=True) # pre calculate standard deviations
n = d.shape[0] # grab number of rows
def corr(k=0, l=10):
d2 = d.T.dot(d[:, k:l]) # for this slice, run dot product
sums2 = sums.T.dot(sums[:, k:l]) # dot pre computed sums with slice
stds2 = stds.T.dot(stds[:, k:l]) # dot pre computed stds with slice
# calculate correlations with the information I have
return pd.DataFrame((d2 - sums2 / n) / stds2 / n,
df.columns, df.columns[k:l])
return corr
关于python - Pandas 中的一致性表(每行对的每行之间的 Pearson 相关性),我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/40476713/