[英]Updating Dataframe based on another new dataframe
我有 2 个数据帧的结构如下:
df1 = pd.read_csv("Main_Database.csv")
# df1 Columns: ..., Timestamp, Name, Query, Website, Status,...
df2 = pd.read_csv("New_Raw_Results.csv")
# df2 COlumns: ..., Timestamp, Name, Query, Website, Status,...
两个数据框可以具有完全相同的列。
我的Main_database.csv
跟踪所有记录,我的new_raw_results
是每周出现的新结果列表。 我想根据 3 个场景处理我的main_database
中的更改:
A) 如果在 DF1 中找到 DF2 中的查询和网站,--> 在 DF1 列“Last Seen”中写入,使用来自 Df2 的时间戳 --> 将状态覆盖为"STILL ACTIVE"
B) 如果在 DF1 中找不到 DF2 中的查询和网站,--> 将整个 df2.row 附加到 df1--> 将状态覆盖为"NET NEW"
C) 如果在 DF2 中找不到 DF1 中的查询和网站,--> 将状态覆盖为"EXPIRED"
我尝试使用合并和连接的组合,但我被困在这里。 例如,如果我在新数据框中隔离这两个表之间的内部连接结果,我不确定如何使用它对我的主数据库执行操作。 我试图在一个函数下满足所有这些条件,所以我可以使用这个函数来处理新条目。
你会如何构建这个函数? 解决这个问题的最简洁的方法是什么?
数据集
import pandas as pd
from numpy.random import default_rng
rng = default_rng()
columns = ['query','website','timestamp','status','last_seen']
data = rng.integers(1,20,(100,5))
df1 = pd.DataFrame(data=data, columns=columns,dtype=str)
data = rng.integers(1,20,(100,5))
df2 = pd.DataFrame(data=data, columns=columns,dtype=str)
连接query
和website
列将有助于比较。 例如
Query Website
0 query1 website1 --> 'query1website1'
为连接列的每个 DataFrame 制作一个系列
a = df2['query'].str.cat(df2.website)
b = df1['query'].str.cat(df1.website)
为您的三个条件中的每一个创建一个布尔系列。
cond1 = a.isin(b) # ended up not using this
cond2 = ~cond1
cond3 = ~b.isin(a)
根据条件 3 设置状态 - 您的C)
df1.loc[cond3,'status'] = 'EXPIRED'
更新新信息 - 你的A)
使用 numpy广播将所有 df2 值 ( a
) 与所有 df1 值 ( b
) 进行比较,并获取它们匹配的索引。
indices1 = (a.values[:,None] == b.values).argmax(1)
(a.values[:,None] == b.values)
产生一个二(a.values[:,None] == b.values)
数组,它是每个a
值与每个b
值的比较。 argmax
函数返回它们匹配的索引。
# df1 row indices where df1.qw == df2.qw
x = indices1[indices1 > 0]
# df2 rows where df2.qw == df1.qw
y = df2.loc[np.where(indices1 > 0)]
x
是一个df1
整数索引数组,在df2
中有匹配项。 y
是与x
( df2
的子集)对应的匹配项的数据帧。 使用整数数组将新值分配给正确的df1
行。
df1.loc[x,'last_seen'] = y.timestamp.values
df1.loc[x,'status'] = "STILL ACTIVE"
警告:如果 df1 有多行qw
具有相同的值, np.argmax 只会找到第一行,而第二行的列保持不变。 使用随机数据会定期出现。
添加新行 - 你的B)
df2.loc[cond2,'status'] = "NET NEW"
df1 = pd.concat([df1,df2.loc[cond2]], ignore_index=True)
完全的...
a = df2['query'].str.cat(df2.website)
b = df1['query'].str.cat(df1.website)
cond1 = a.isin(b) # ended up not using this
cond2 = ~cond1
cond3 = ~b.isin(a)
df1.loc[cond3,'status'] = 'EXPIRED'
indices1 = (a.values[:,None] == b.values).argmax(1)
x = indices1[indices1 > 0]
y = df2.loc[np.where(indices1 > 0)]
df1.loc[x,'last_seen'] = y.timestamp.values
df1.loc[x,'status'] = "STILL ACTIVE"
df2.loc[cond2,'status'] = "NET NEW"
df1 = pd.concat([df1,df2.loc[cond2]], ignore_index=True)
这应该做你的事情:
import pandas as pd
data = [
{"timestamp": 1, "last_seen": 1, "status": "XXX", "website": "website1", "query": "query1"},
{"timestamp": 1, "last_seen": 2, "status": "XXX", "website": "website2", "query": "query2"},
{"timestamp": 1, "last_seen": 3, "status": "XXX", "website": "website3", "query": "query1"},
{"timestamp": 1, "last_seen": 4, "status": "XXX", "website": "website5", "query": "query1"},
{"timestamp": 1, "last_seen": 5, "status": "XXX", "website": "website6", "query": "query1"}
]
new_data = [
{"timestamp": 1, "last_seen": 6, "status": "XXX", "website": "website1", "query": "query1"},
{"timestamp": 1, "last_seen": 7, "status": "XXX", "website": "website2", "query": "query2"},
{"timestamp": 1, "last_seen": 8, "status": "XXX", "website": "website3", "query": "query4"},
{"timestamp": 1, "last_seen": 9, "status": "XXX", "website": "website3", "query": "query8"}
]
df = pd.DataFrame(data)
df_new = pd.DataFrame(new_data)
for i, row in df.iterrows():
tmp = df_new.loc[(df_new['website'] == row['website']) & (df_new['query'] == row['query'])]
if not tmp.empty:
# A)
df.at[i, 'last_seen'] = tmp['last_seen']
df.at[i, 'status'] = "STILL ACTIVE"
else:
# B)
df.at[i, 'status'] = "EXPIRED"
for i, row in df_new.iterrows():
# C)
tmp = df.loc[(df['website'] == row['website']) & (df['query'] == row['query'])]
if tmp.empty:
row["status"] = "NET NEW"
df = df.append(row, ignore_index=True)
print(df)
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.