我有两个数据框,我需要比较行的完整组合并返回符合条件的组合。这对于我们使用 Spark
(使用交叉连接)的小型集群来说太密集了,所以我正在尝试这种方法,最终会看看 Dask
是否可以改进它。
如果表A和B是
a=pd.DataFrame(np.array([[1,2,3],[4,5,6]]), columns=['a','b','c'])
b=pd.DataFrame(np.array([[4,7,4],[6,5,1],[8,6,0]]), columns=['d','e','f'])
然后所有组合看起来像这样,其中计算 A-D。假设我只想保留 A-D >=-3
的行A B C D E F A-D
1 2 3 4 7 4 -3
1 2 3 6 5 1 -5
1 2 3 8 6 0 -7
4 5 6 4 7 4 0
4 5 6 6 5 1 -2
4 5 6 8 6 0 -4
我试图通过应用来执行此操作,但似乎我无法从函数中返回多行 dataframe
(该函数创建单行“A”和'B' 的整个表并返回符合条件的行。
这是我正在测试的功能:
def return_prox_branches(a, B, cutthresh):
aa=a['a']-B['d']
keep_B = B.copy().loc[(aa.values >= cutthresh),:]
keep_B['A']=a['a']
keep_B['B']=a['b']
keep_B['C']=a['c']
keep_B['A-D']=a['a']-keep_B['d']
print(keep_B)
return(keep_B)
a.apply(return_prox_branches, axis=1, args=(b,-3))
ValueError: cannot copy sequence with size 7 to array axis with dimension 1
实际上,这两个表有数百万行。
有没有办法在 pandas 中有效地进行这项工作?
最佳答案
有趣的方式!
在 Python 3.5 中以这种方式解包成为可能
https://www.python.org/dev/peps/pep-0448/#rationale
i, j = np.where(np.subtract.outer(a.a, b.d) >= -3)
pd.DataFrame({**a.iloc[i].to_dict('l'), **b.iloc[j].to_dict('l')})
a b c d e f
0 1 2 3 4 7 4
1 4 5 6 4 7 4
2 4 5 6 6 5 1
类似但不那么困惑
i, j = np.where(np.subtract.outer(a.a, b.d) >= -3)
a_ = a.values[i]
b_ = b.values[j]
d = pd.DataFrame(
np.column_stack([a_, b_]),
columns=a.columns.append(b.columns)
)
d
a b c d e f
0 1 2 3 4 7 4
1 4 5 6 4 7 4
2 4 5 6 6 5 1
在这两种情况下,我们都依赖于从 a.a
中减去 b.d
。这将创建一个二维数组,其中包含从 a.a
的值中减去 b.d
的所有可能值。 np.where
查找差异为 >= -3
的坐标。我可以使用这些结果对原始数据帧进行切片并将它们放在一起。
纯(ish) Pandas
我怀疑你是否可以将它与 dask 一起使用
def gen_pseudo(d_):
def pseudo(d):
cols = d.columns.append(d_.columns)
return d_.assign(**d.squeeze()).query('a - d >= -3')[cols]
return pseudo
a.groupby(level=0).apply(gen_pseudo(b))
a b c d e f
0 0 1 2 3 4 7 4
1 0 4 5 6 4 7 4
1 4 5 6 6 5 1
非封闭替代
def pseudo(d, d_):
cols = d.columns.append(d_.columns)
return d_.assign(**d.squeeze()).query('a - d >= -3')[cols]
a.groupby(level=0).apply(pseudo, d_=b)
理解
ja = a.columns.get_loc('a')
jb = b.columns.get_loc('d')
pd.DataFrame([
np.append(ra, rb)
for ra in a.values
for rb in b.values
if ra[ja] - rb[jb] >= -3
], columns=a.columns.append(b.columns))
a b c d e f
0 1 2 3 4 7 4
1 4 5 6 4 7 4
2 4 5 6 6 5 1
关于python - Pandas 应用 - 返回多行,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/49681377/