我有一个数据框:
lft rel rgt num
0 t3 r3 z2 3
1 t1 r3 x1 9
2 x2 r3 t2 8
3 x4 r1 t2 4
4 t1 r1 z3 1
5 x1 r1 t2 2
6 x2 r2 t4 4
7 z3 r2 t4 5
8 t4 r3 x3 4
9 z1 r2 t3 4
还有参考词典:
replacement_dict = {
'X1' : ['x1', 'x2', 'x3', 'x4'],
'Y1' : ['y1', 'y2'],
'Z1' : ['z1', 'z2', 'z3']
}
我的目标是将所有出现的
replacement_dict['X1']
替换为“X1”,然后计算 num
行的分组总和。
例如,'x1'、'x2'、'x3'或'x4'的任何实例将被替换为'X1'等,以及'X1'-'r1'-'t2'组的总和(通过上面的重新映射创建)是 6,等等
所以我想要的输出是:
lft rel rgt num
0 X1 r3 t2 8
1 X1 r1 t2 6
2 X1 r2 t4 4
3 t1 r3 X1 9
4 t4 r3 X1 4
我正在处理一个包含 600 万行的数据框和一个包含 60,000 个键的替换字典。使用简单的逐行提取和替换会花费很长时间。
如何有效地扩展这一点(特别是最后一部分)?有人可以推荐一个熊猫技巧吗?
反转
replacement_dict
映射并将 map()
这个新映射到每个 lft 和 rgt 列以替换某些值(例如 x1->X1、y2->Y1 等)。由于 lft 和 rgt 列中的某些值在映射中不存在(例如 t1、t2 等),请调用 fillna()
来填写这些值。1
您还可以
stack()
需要替换值的列(lft和rgt),调用map+fillna和unstack()
回来,但因为只有2列,对于这种特殊情况可能不值得麻烦。
问题的第二部分可以通过按 lft、rel 和 rgt 列分组后对 num 值求和来回答;所以
groupby().sum()
应该可以解决问题。
# reverse replacement map
reverse_map = {v : k for k, li in replacement_dict.items() for v in li}
# substitute values in lft column using reverse_map
df['lft'] = df['lft'].map(reverse_map).fillna(df['lft'])
# substitute values in rgt column using reverse_map
df['rgt'] = df['rgt'].map(reverse_map).fillna(df['rgt'])
# sum values in num column by groups
result = df.groupby(['lft', 'rel', 'rgt'], as_index=False)['num'].sum()
1:
map()
+ fillna()
可能比 replace()
更适合您的用例,因为在幕后,map()
实现了 Cython 优化的 take_nd()
方法,如果有很多值,该方法会表现得特别好来替换,而 replace()
实现了使用 Python 循环的 replace_list()
方法。因此,如果 replacement_dict
特别大(在您的情况下),性能差异将会很大,但如果 replacement_dict
很小,replace()
可能会优于 map()
。
如果你翻转
replacement_dict
的键和值,事情就会变得容易得多:
new_replacement_dict = {
v: key
for key, values in replacement_dict.items()
for v in values
}
cols = ["lft", "rel", "rgt"]
df[cols] = df[cols].replace(new_replacement_dict)
df.groupby(cols).sum()
试试这个,我评论了步骤
#reverse dict to dissolve the lists as values
reversed_dict = {v:k for k,val in replacement_dict.items() for v in val}
# replace the values
cols = ['lft', 'rel', 'rgt']
df[cols] = df[cols].replace(reversed_dict)
# filter rows where X1 is anywhere in the columns
df = df[df.eq('X1').any(axis=1)]
# sum the duplicate rows
out = df_filtered.groupby(cols).sum().reset_index()
print(out)
输出:
lft rel rgt num
0 X1 r1 t2 6
1 X1 r2 t4 4
2 X1 r3 t2 8
3 t1 r3 X1 9
4 t4 r3 X1 4
Pandas 内置函数 replace 比使用 .loc 遍历整个数据帧更快
您还可以在其中传递一个列表,使我们的字典非常适合它
keys = replacement_dict.keys()
# Loop through every value in our dictionary and get the replacements
for key in keys:
DF = DF.replace(to_replace=replacement_dict[key], value=key)
df[['lft','rgt']] = ( df[['lft','rgt']]
.replace({it:k for k, v in replacement_dict.items() for it in v}) )
df = ( df[(df.lft == 'X1') | (df.rgt == 'X1')]
.groupby(['lft','rel','rgt']).sum().reset_index() )
输出:
lft rel rgt num
0 X1 r1 t2 6
1 X1 r2 t4 4
2 X1 r3 t2 8
3 t1 r3 X1 9
4 t4 r3 X1 4
说明:
replace()
使用字典的反向版本将原始字典中列表中的项目替换为相关 df 列中的相应键
lft
和
rgt
'X1'
或
lft
中找到的带有
rgt
的行后,使用
groupby()
、
sum()
和
reset_index()
对
num
列求和以获得唯一的
lft, rel, rgt
组键并恢复组从索引级别到列的组件。
query()
仅选择包含
'X1'
的行:
df[['lft','rgt']] = ( df[['lft','rgt']]
.replace({it:k for k, v in replacement_dict.items() for it in v}) )
df = ( df.query("lft=='X1' or rgt=='X1'")
.groupby(['lft','rel','rgt']).sum().reset_index() )
df.apply()
来生成新数据。
import io
import pandas as pd
# # create the data
x = '''
lft rel rgt num
t3 r3 z2 3
t1 r3 x1 9
x2 r3 t2 8
x4 r1 t2 4
t1 r1 z3 1
x1 r1 t2 2
x2 r2 t4 4
z3 r2 t4 5
t4 r3 x3 4
z1 r2 t3 4
'''
data = io.StringIO(x)
df = pd.read_csv(data, sep=' ')
print(df)
replacement_dict = {
'X1' : ['x1', 'x2', 'x3', 'x4'],
'Y1' : ['y1', 'y2'],
'Z1' : ['z1', 'z2', 'z3']
}
def replace(x):
# which key to check
key_check = x[0] + '1'
key_check = key_check.upper()
return key_check
df['new'] = df['lft'].apply(replace)
df
返回此:
lft rel rgt num
0 t3 r3 z2 3
1 t1 r3 x1 9
2 x2 r3 t2 8
3 x4 r1 t2 4
4 t1 r1 z3 1
5 x1 r1 t2 2
6 x2 r2 t4 4
7 z3 r2 t4 5
8 t4 r3 x3 4
9 z1 r2 t3 4
lft rel rgt num new
0 t3 r3 z2 3 T1
1 t1 r3 x1 9 T1
2 x2 r3 t2 8 X1
3 x4 r1 t2 4 X1
4 t1 r1 z3 1 T1
5 x1 r1 t2 2 X1
6 x2 r2 t4 4 X1
7 z3 r2 t4 5 Z1
8 t4 r3 x3 4 T1
9 z1 r2 t3 4 Z1