python - 应用于整个数据集的函数

Question

手动定义p和q:

p = [[45.1024,7.7498],[45.1027,7.7513],[45.1072,7.7568],[45.1076,7.7563]]
q = [[45.0595,7.6829],[45.0595,7.6829],[45.0564,7.6820],[45.0533,7.6796],[45.0501,7.6775]]

• 第 1 步(精细)

部分代码不错

def _c(ca, i, j, p, q):
    if ca[i, j] > -1:
        return ca[i, j]
    elif i == 0 and j == 0:
        ca[i, j] = np.linalg.norm(p[i]-q[j])
    elif i > 0 and j == 0:
        ca[i, j] = max(_c(ca, i-1, 0, p, q), np.linalg.norm(p[i]-q[j]))
    elif i == 0 and j > 0:
        ca[i, j] = max(_c(ca, 0, j-1, p, q), np.linalg.norm(p[i]-q[j]))
    elif i > 0 and j > 0:
        ca[i, j] = max(
            min(
                _c(ca, i-1, j, p, q),
                _c(ca, i-1, j-1, p, q),
                _c(ca, i, j-1, p, q)
            ),
            np.linalg.norm(p[i]-q[j])
            )
    else:
        ca[i, j] = float('inf')
    return ca[i, j]

• 第 2 步(问题在这里)是

def frdist(p, q):

    # Remove nan values from p
    p = np.array([i for i in p if np.any(np.isfinite(i))], np.float64) # ESSENTIAL PART TO REMOVE NaN
    q = np.array([i for i in q if np.any(np.isfinite(i))], np.float64) # ESSENTIAL PART TO REMOVE NaN

    len_p = len(p)
    len_q = len(q)

    if len_p == 0 or len_q == 0:
        raise ValueError('Input curves are empty.')

    # p and q no longer have to be the same length
    if len(p[0]) != len(q[0]):
        raise ValueError('Input curves do not have the same dimensions.')

    ca = (np.ones((len_p, len_q), dtype=np.float64) * -1)

    dist = _c(ca, len_p-1, len_q-1, p, q)
    return(dist)

frdist(p, q)
0.09754839824415232

问题: 在第 2 步 中如何将代码应用到给定的(再次是示例数据集。真实的数据集非常大)数据集 df:

    1           1.1     2           2.1     3           3.1     4           4.1     5           5.1
0   43.1024     6.7498  NaN         NaN     NaN         NaN     NaN         NaN     NaN         NaN
1   46.0595     1.6829  25.0695     3.7463  NaN         NaN     NaN         NaN     NaN         NaN
2   25.0695     5.5454  44.9727     8.6660  41.9726     2.6666  84.9566     3.8484  44.9566     1.8484
3   35.0281     7.7525  45.0322     3.7465  14.0369     3.7463  NaN         NaN     NaN         NaN
4   35.0292     7.5616  45.0292     4.5616  23.0292     3.5616  45.0292     6.7463  NaN 

取 p 第一行和 q 第二行。然后计算距离 frdist(p, q)。然后 p 又是第一行，但 q 现在是第三行。然后是 1 和 3。

最后我应该得到行大小为 0 对角线的矩阵。因为自身之间的距离为0:

 0 1 2 3 4 5 ... 105
0 0
1   0
2     0
3       0  
4         0
5           0
...           0
105              0

Answer 1

由于您的工作代码需要列表列表作为参数，因此您需要将数据帧的每一行转换为列表列表，例如示例中的 p 和 q .假设 df 是您的数据框，您可以通过以下方式执行此操作:

def pairwise(it):
    a = iter(it)
    return zip(a, a)

ddf = df.apply(lambda x : [pair for pair in pairwise(x)], axis=1)

我从 this answer 中获取了 pairwise 函数.

ddf 是一个只有一列的数据框，每个元素都是一个列表，如 p 或 q。

然后您需要使用行索引的组合。看看 itertools模块。根据您的需要，您可以使用 product 中的一个, permutations或 combinations .

如果你想做每一个组合，你可以使用:

from itertools import product
idxpairs = product(ddf.index, repeat=2)

idxpairs 包含数据框中所有可能的索引对。您可以遍历它们。

您可以像这样构建您的最终矩阵:

fmatrix = pd.DataFrame(index=ddf.index, columns=ddf.index)

for pp in idxpairs:
    fmatrix.loc[pp[0], pp[1]] = frdist(ddf.iloc[pp[0]], ddf.iloc[pp[1]])

现在这将计算暴力计算每个元素。如果你有一个大数据框并且你事先知道你的最终矩阵将具有给定的属性，比如对角线为 0 并且它是对称的(我猜 frdist(p, q) == frdist(q, p)) 您可以通过使用例如 combinations 而不是 product 来避免两次执行相同的计算来节省一些时间:

from itertools import combinations
idxpairs = combinations(ddf.index, 2)

fmatrix = pd.DataFrame(index=ddf.index, columns=ddf.index)

for pp in idxpairs:
    res = frdist(ddf.iloc[pp[0]], ddf.iloc[pp[1]])
    fmatrix.loc[pp[0], pp[1]] = res
    fmatrix.loc[pp[1], pp[0]] = res