[英]Subtract two rows based on condition in Python Pandas
我正在使用一个数据集,我有时间和几种不同种类的微生物的浓度重复,所以它只是一个时间列和一堆数字为了这个问题。 我每两个小时进行一次测量,有时我会连续进行两次测量,这些测量的时间戳会非常相似。 对于那些类似的时间戳,我想取所有列的两行的平均值,并将这些平均值返回到之前放置两个值的新数据帧。
这是数据框的样子。 时间戳已转换为数值,因为相对时间/日期无关紧要。 你可以看到我正在谈论的一个例子,在第9和第10个索引有两个非常相似的时间
Time A1 A2 A3
0 0.000069 118.0 108.0 70.0
1 0.087049 189.0 54.0 89.0
2 0.156551 154.0 122.0 107.0
3 0.721516 129.0 148.0 148.0
4 0.789329 143.0 162.0 212.0
5 0.882743 227.0 229.0 149.0
6 0.964907 208.0 255.0 241.0
7 1.041424 200.0 241.0 222.0
8 1.731806 733.0 838.0 825.0
9 1.794340 804.0 996.0 954.0
10 1.794769 861.0 987.0 1138.0
将时间列中的数字四舍五入到一个合理的值似乎是显而易见的,我可以使用groupby()
函数(如果我实际上需要对它们进行分组)然后平均“重复”值,但我已经下了一个新的哲学之路,我想用pandas iterrows()
函数来遍历行,逐个1,并比较每两个连续的行并对它们应用一个条件来实现相同的结果。 我已经到达了这样的东西,它没有错误代码,但似乎没有做任何事情。
for i, row in df.iterrows():
row2 = row + 1 #I feel like this line is the crux of the problem
if row2.Time - row.Time >= 0.1:
row = (row2 + row)/2
else:
row = row
出于好奇,我很想知道哪个更快,分组和平均方式或for循环和平均方式。 也许有一个漂亮的lamba函数方式来做到这一点? 我已经广泛搜索过这种类型的东西,我很想知道你们都能想出什么。
干杯
以下是一些一般提示:
df['Time'].diff()
比在循环中计算row2['Time'] - row1['Time']
要快得多。 对于足够大的N
,向量化计算将总是超过for循环计算,其中N
是for-loop
所需的迭代次数。 作为原理的演示,请考虑这两种计算所需结果的不同方法:
import numpy as np
import pandas as pd
df = pd.DataFrame({'A1': [118.0, 189.0, 154.0, 129.0, 143.0, 227.0, 208.0, 200.0, 733.0, 804.0, 861.0], 'A2': [108.0, 54.0, 122.0, 148.0, 162.0, 229.0, 255.0, 241.0, 838.0, 996.0, 987.0], 'A3': [70.0, 89.0, 107.0, 148.0, 212.0, 149.0, 241.0, 222.0, 825.0, 954.0, 1138.0], 'Time': [6.8999999999999997e-05, 0.087049000000000001, 0.156551, 0.72151599999999994, 0.78932899999999995, 0.88274300000000006, 0.96490699999999996, 1.0414239999999999, 1.7318060000000002, 1.79434, 1.7947689999999998]})
def using_loop(df):
for i in range(len(df)-1):
row1, row2 = df.iloc[i], df.iloc[i+1]
if row2['Time'] - row1['Time'] >= 0.1:
df.iloc[i] = (row2 + row1)/2
return df
def using_column_based_operations(df):
mask = df['Time'].diff() >= 0.1
prior = mask.shift(-1).fillna(False)
df.loc[prior] = (df.loc[mask].values+df.loc[prior].values)/2
return df
In [220]: using_loop(df).equals(using_column_based_operations(df))
Out[220]: True
下面是一个使用IPython的的基准%%timeit
函数,它显示using_column_based_operations
是数千倍的速度比using_loop
时nrows
是10 ** 4。 随着nrows
增加, using_column_based_operations
的速度优势using_column_based_operations
增加。
In [216]: nrows, ncols = 10**4, 4
In [217]: %%timeit df = pd.DataFrame(np.random.random((nrows, ncols)), columns=['Time', 'A1', 'A2', 'A3'])
.....: using_loop(df)
.....:
1 loop, best of 3: 3.02 s per loop
In [218]: %%timeit df = pd.DataFrame(np.random.random((nrows, ncols)), columns=['Time', 'A1', 'A2', 'A3'])
.....: using_column_based_operations(df)
.....:
1000 loops, best of 3: 1.91 ms per loop
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.