[英]Create multiple dataframe columns containing calculated values from an existing column
[英]Pandas: create two new columns in a dataframe with values calculated from a pre-existing column
我正在使用pandas库,我想将两个新列添加到具有 n 列(n > 0)的数据框df
。
这些新列是将函数应用于数据帧中的列之一而产生的。
要应用的函数是这样的:
def calculate(x):
...operate...
return z, y
为仅返回值的函数创建新列的一种方法是:
df['new_col']) = df['column_A'].map(a_function)
所以,我想要的,但尝试不成功(*),是这样的:
(df['new_col_zetas'], df['new_col_ys']) = df['column_A'].map(calculate)
实现这一目标的最佳方法是什么? 我在没有任何线索的情况下扫描了文档。
** df['column_A'].map(calculate)
返回一个df['column_A'].map(calculate)
系列,每个项目由一个元组 z, y 组成。 并尝试将其分配给两个数据框列会产生 ValueError.*
我只是使用zip
:
In [1]: from pandas import *
In [2]: def calculate(x):
...: return x*2, x*3
...:
In [3]: df = DataFrame({'a': [1,2,3], 'b': [2,3,4]})
In [4]: df
Out[4]:
a b
0 1 2
1 2 3
2 3 4
In [5]: df["A1"], df["A2"] = zip(*df["a"].map(calculate))
In [6]: df
Out[6]:
a b A1 A2
0 1 2 2 3
1 2 3 4 6
2 3 4 6 9
在我看来,最佳答案是有缺陷的。 希望没有人使用from pandas import *
将所有熊猫大量导入到他们的命名空间中。 此外,在传递字典或系列时,应该为那些时间保留map
方法。 它可以接受一个函数,但这就是apply
的用途。
所以,如果你一定要使用上面的方法,我会这样写
df["A1"], df["A2"] = zip(*df["a"].apply(calculate))
实际上没有理由在这里使用 zip。 你可以简单地这样做:
df["A1"], df["A2"] = calculate(df['a'])
第二种方法在较大的 DataFrame 上也快得多
df = pd.DataFrame({'a': [1,2,3] * 100000, 'b': [2,3,4] * 100000})
用 300,000 行创建的 DataFrame
%timeit df["A1"], df["A2"] = calculate(df['a'])
2.65 ms ± 92.4 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
%timeit df["A1"], df["A2"] = zip(*df["a"].apply(calculate))
159 ms ± 5.24 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
比 zip 快 60 倍
Apply 通常不会比迭代 Python 列表快多少。 让我们测试一个 for 循环的性能来做和上面一样的事情
%%timeit
A1, A2 = [], []
for val in df['a']:
A1.append(val**2)
A2.append(val**3)
df['A1'] = A1
df['A2'] = A2
298 ms ± 7.14 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
所以这是慢了两倍,这并不是一个可怕的性能回归,但是如果我们对上述内容进行 cythonize,我们会获得更好的性能。 假设您正在使用 ipython:
%load_ext cython
%%cython
cpdef power(vals):
A1, A2 = [], []
cdef double val
for val in vals:
A1.append(val**2)
A2.append(val**3)
return A1, A2
%timeit df['A1'], df['A2'] = power(df['a'])
72.7 ms ± 2.16 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
如果您使用直接矢量化操作,您可以获得更大的速度提升。
%timeit df['A1'], df['A2'] = df['a'] ** 2, df['a'] ** 3
5.13 ms ± 320 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
这利用了 NumPy 极快的矢量化操作而不是我们的循环。 我们现在比原始速度提高了 30 倍。
apply
上面的例子应该清楚地展示了apply
速度有多慢,但为了更清楚,让我们看一下最基本的例子。 让我们在有和没有应用的情况下对一系列 1000 万个数字进行平方
s = pd.Series(np.random.rand(10000000))
%timeit s.apply(calc)
3.3 s ± 57.4 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
没有应用速度快 50 倍
%timeit s ** 2
66 ms ± 2 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
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.