我有一个数据集,例如:
IM,XX
IS,YY
SG,3
OTPL,90
TTPL,90
IM,AA
IS,BB
SG,3
TTPL,50
IM,ZZ
IS,CC
OTPL,10
每一行都包含一个键,值
对,我需要将其转换为表格格式才能执行一些分析。 IM
变量表示行的索引,下面的参数是列。对我来说,棘手的部分是考虑可能的缺失值。预期结果是:
IM IS OTPL SG TTPL
XX YY 90 3 90
AA BB null 3 50
ZZ CC 10 null null
“注意空值”。
我有一个解决方案,但效率不高,当数据集很大时,这不是一个合适的方法。我使用以下策略:
使用
awk
,为每个寄存器(行)添加一个额外的索引。它创建一个计数器n
并在IM
出现时递增它:$ awk -F, 'BEGIN{n = 0}{ if($1 == "IM"){n += 1} print n","$0}' inputdata.txt 1,IM,XX 1,IS,YY 1,SG,3 1,OTPL,90 1,TTPL,90 2,IM,AA 2,IS,BB 2,SG,3 2,TTPL,50 3,IM,ZZ 3,IS,CC 3,OTPL,10
接下来,使用
pandas
读取之前的结果,通过上述索引应用groupby
并应用concat
创建一个新表透视
子表:In[1]:import pandas as pd gb = pd.read_csv("outdata.txt", names = ["id","key","value"]).groupby("id") res = pd.concat([df.pivot(index="id", columns='key', values='value') for g, df in gb]) res Out[1]: IM IS OTPL SG TTPL id 1 XX YY 90 3 90 2 AA BB NaN 3 50 3 ZZ CC 10 NaN NaN
最后一步的成本非常高。
有人遇到过类似的问题吗?最好只用命令行解决这个问题。
提前致谢!
最佳答案
[更新]纯 GAWK 解决方案:
BEGIN {
FS=OFS=","
n = 0
}
{
if($1 == "IM") {
n++
}
keys[$1]++
vals[n,$1]=$2
}
END {
l=asorti(keys, copy)
printf "id"
for (i=1; i<=l; i++) {
printf "%s%s", FS, copy[i]
}
print ""
for (i=1; i<=n; i++) {
printf "%s", i
for (k=1; k<=l; k++) {
printf "%s%s", FS, vals[i,copy[k]]
}
print ""
}
}
输出:
{ .data } » awk -f prg.awk data.csv
id,IM,IS,OTPL,SG,TTPL
1,XX,YY,90,3,90
2,AA,BB,,3,50
3,ZZ,CC,10,,
[旧] Pandas 解决方案:
我认为你可以使用 pivot_table()而不是 groupby()
+ concat()
:
In [105]: df
Out[105]:
id key val
0 1 IM XX
1 1 IS YY
2 1 SG 3
3 1 OTPL 90
4 1 TTPL 90
5 2 IM AA
6 2 IS BB
7 2 SG 3
8 2 TTPL 50
9 3 IM ZZ
10 3 IS CC
11 3 OTPL 10
In [106]: df.pivot_table(index='id', columns='key', values='val', aggfunc='sum', fill_value=np.nan)
Out[106]:
key IM IS OTPL SG TTPL
id
1 XX YY 90 3 90
2 AA BB NaN 3 50
3 ZZ CC 10 NaN NaN
或 pivot()
如果您没有重复项(例如在示例数据集中):
In [109]: df.pivot(index='id', columns='key', values='val')
Out[109]:
key IM IS OTPL SG TTPL
id
1 XX YY 90 3 90
2 AA BB None 3 50
3 ZZ CC 10 None None
与 NaN
相同,而不是 None
:
In [110]: df.pivot(index='id', columns='key', values='val').fillna(np.nan)
Out[110]:
key IM IS OTPL SG TTPL
id
1 XX YY 90 3 90
2 AA BB NaN 3 50
3 ZZ CC 10 NaN NaN
关于python - 处理一列文本文件中丢失的数据,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/36633917/