如何在pandas数据帧中展平数组

Question

假设我有一个pandas数据帧，如

df_p = pd.DataFrame(
   {'name_array':
    [[20130101, 320903902, 239032902],
     [20130101, 3253453, 239032902],
     [65756, 4342452, 32425432523]],
    'name': ['a', 'a', 'c']} )

我想提取包含每行中展平数组的系列，同时保留顺序

预期的结果是pandas.core.series.Series

这个问题不重复，因为我的预期输出是熊猫系列，而不是数据帧。

Answer 1

使用melt的解决方案比OP的原始方法慢，他们在答案here中分享，特别是在我对该答案的评论加速之后。

我创建了一个更大的数据框来测试：

df = pd.DataFrame({'name_array': np.random.rand(1000, 3).tolist()})

使用melt在这个数据帧上计算两个解决方案的时间：

In [16]: %timeit pd.melt(df.name_array.apply(pd.Series).reset_index(), id_vars=['index'],value_name='name_array').drop('variable', axis=1).sort_values('index')
173 ms ± 5.68 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

In [17]: %timeit df['name_array'].apply(lambda x: pd.Series([i for i in x])).melt().drop('variable', axis=1)['value']
175 ms ± 4.86 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

OP的方法与我在评论中建议的加速：

In [18]: %timeit pd.Series(np.concatenate(df['name_array']))
18 ms ± 887 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

最后，提供here的最快解决方案，但经过修改以提供系列而不是数据帧输出：

In [14]: from itertools import chain
In [15]: %timeit pd.Series(list(chain.from_iterable(df['name_array'])))
402 µs ± 4.68 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

最后一种方法比melt()快3个数量级，比np.concatenate()快2个数量级。

Answer 2

这是我发现的解决方案。不知道是否有更有效的方法。

df_p = pd.DataFrame(
   {'name_array':
    [[20130101, 320903902, 239032902],
     [20130101, 3253453, 239032902],
     [65756, 4342452, 32425432523]],
    'name': ['a', 'a', 'c']} )

data = pd.DataFrame( {'column':np.concatenate(df_p['name_array'].values)} )['column']

输出：

[0       20130101
 1      320903902
 2      239032902
 3       20130101
 4        3253453
 5      239032902
 6          65756
 7        4342452
 8    32425432523
 Name: column, dtype: int64]

Answer 3

你可以使用pd.melt：

pd.melt(df_p.name_array.apply(pd.Series).reset_index(), 
        id_vars=['index'],
        value_name='name_array') \
        .drop('variable', axis=1) \
        .sort_values('index')

OUTPUT：

index   name_array
0       20130101
0       320903902
0       239032902
1       20130101
1       3253453
1       239032902
2       65756
2       4342452
2       32425432523