Pandas：如何使用 df.to_dict() 輕松共享示例 dataframe？

Question

這個問題之前被標記為How to make good reproducible pandas examples的副本。 毫無疑問，該貢獻應該是任何尋求制作此類可重復數據樣本的人的首選帖子，而這篇文章旨在闡明一種非常實用且有效的方法，可以使用df.to_dict()在問題中包含給定的數據樣本結合df=pd.DataFrame(<dict>) 。 How to make good reproducible pandas examples中的問題和答案都沒有明確涵蓋這一點。 使用df.to_dict()也可以很好地與df.to_clipboard()一起使用，簡明扼要地包含在如何使用 to_clipboard() 提供 DataFrame 的可復制副本中

---

盡管關於如何提出一個好問題有清晰簡潔的指導？ 和How to create a Minimal, Reproducible Example ，許多人似乎只是忽略了在他們的問題中包含可重現的數據樣本。 那么當簡單的pd.DataFrame(np.random.random(size=(5, 5)))不夠用時，有什么實用且簡單的方法來重現數據樣本呢？ 例如，您如何使用df.to_dict()並在問題中包含 output？

Answer 1

答案：

在許多情況下，使用帶有df.to_dict()的方法可以完美地完成工作：以下是我想到的兩種情況：

案例 1：您有一個 dataframe 從本地來源構建或加載到 Python

案例 2：您在另一個應用程序（如 Excel）中有一個表格

---

細節：

案例 1：您從本地源構建或加載了 dataframe

假設您有一個名為df的 pandas dataframe ，只需

1. 在控制台或編輯器中運行df.to_dict() ，並且
2. 復制格式化為字典的 output，和
3. 將內容粘貼到pd.DataFrame(<output>)並將該塊包含在您現在可重現的代碼片段中。

---

案例 2：您在另一個應用程序（如 Excel）中有一個表格

根據來源和分隔符，如(',', ';' '\\s+')后者表示任何空格，您可以簡單地：

1. Ctrl+C內容
2. 在控制台或編輯器中運行df=pd.read_clipboard(sep='\\s+') ，然后
3. 運行df.to_dict() ，並且
4. 在df=pd.DataFrame(<output>)中包含 output

在這種情況下，您的問題的開頭將如下所示：

import pandas as pd
df = pd.DataFrame({0: {0: 0.25474768796402636, 1: 0.5792136563952824, 2: 0.5950396800676201},
                   1: {0: 0.9071073567355232, 1: 0.1657288354283053, 2: 0.4962367707789421},
                   2: {0: 0.7440601352930207, 1: 0.7755487356392468, 2: 0.5230707257648775}})

當然，對於較大的數據幀，這會有點笨拙。 但很多時候，所有試圖回答您問題的人都需要您的真實世界數據的一小部分樣本，以考慮您的數據結構。

有兩種方法可以處理更大的數據幀：

1. 運行df.head(20).to_dict()僅包含前20 rows ，並且
2. 使用例如df.to_dict('split') （除了'split'之外還有其他選項）將您的 output 重塑為需要更少行的 dict 來更改您的 dict 的格式。

這是一個使用iris數據集的示例，以及 plotly express 提供的其他位置。

如果你只是運行：

import plotly.express as px
import pandas as pd
df = px.data.iris()
df.to_dict()

這將產生近 1000 行的 output，並且作為可重現的樣本不太實用。 但是如果你包括.head(25) ，你會得到：

{'sepal_length': {0: 5.1, 1: 4.9, 2: 4.7, 3: 4.6, 4: 5.0, 5: 5.4, 6: 4.6, 7: 5.0, 8: 4.4, 9: 4.9},
 'sepal_width': {0: 3.5, 1: 3.0, 2: 3.2, 3: 3.1, 4: 3.6, 5: 3.9, 6: 3.4, 7: 3.4, 8: 2.9, 9: 3.1},
 'petal_length': {0: 1.4, 1: 1.4, 2: 1.3, 3: 1.5, 4: 1.4, 5: 1.7, 6: 1.4, 7: 1.5, 8: 1.4, 9: 1.5},
 'petal_width': {0: 0.2, 1: 0.2, 2: 0.2, 3: 0.2, 4: 0.2, 5: 0.4, 6: 0.3, 7: 0.2, 8: 0.2, 9: 0.1},
 'species': {0: 'setosa', 1: 'setosa', 2: 'setosa', 3: 'setosa', 4: 'setosa', 5: 'setosa', 6: 'setosa', 7: 'setosa', 8: 'setosa', 9: 'setosa'},
 'species_id': {0: 1, 1: 1, 2: 1, 3: 1, 4: 1, 5: 1, 6: 1, 7: 1, 8: 1, 9: 1}}

現在我們正在取得進展。 但是根據數據的結構和內容，這可能無法以令人滿意的方式涵蓋內容的復雜性。 但是您可以通過像這樣包含to_dict('split')來在更少的行中包含更多數據：

import plotly.express as px
df = px.data.iris().head(10)
df.to_dict('split')

現在您的 output 將如下所示：

{'index': [0, 1, 2, 3, 4, 5, 6, 7, 8, 9],
 'columns': ['sepal_length',
  'sepal_width',
  'petal_length',
  'petal_width',
  'species',
  'species_id'],
 'data': [[5.1, 3.5, 1.4, 0.2, 'setosa', 1],
  [4.9, 3.0, 1.4, 0.2, 'setosa', 1],
  [4.7, 3.2, 1.3, 0.2, 'setosa', 1],
  [4.6, 3.1, 1.5, 0.2, 'setosa', 1],
  [5.0, 3.6, 1.4, 0.2, 'setosa', 1],
  [5.4, 3.9, 1.7, 0.4, 'setosa', 1],
  [4.6, 3.4, 1.4, 0.3, 'setosa', 1],
  [5.0, 3.4, 1.5, 0.2, 'setosa', 1],
  [4.4, 2.9, 1.4, 0.2, 'setosa', 1],
  [4.9, 3.1, 1.5, 0.1, 'setosa', 1]]}

現在您可以輕松地增加.head(10)中的數字，而不會過多地混淆您的問題。 但有一個小缺點。 現在您不能再直接在pd.DataFrame中使用輸入。 但是如果你包含一些關於index, column, and data的規范，你會很好的。 因此，對於這個特定的數據集，我首選的方法是：

import pandas as pd
import plotly.express as px

sample = {'index': [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14],
             'columns': ['sepal_length',
              'sepal_width',
              'petal_length',
              'petal_width',
              'species',
              'species_id'],
             'data': [[5.1, 3.5, 1.4, 0.2, 'setosa', 1],
              [4.9, 3.0, 1.4, 0.2, 'setosa', 1],
              [4.7, 3.2, 1.3, 0.2, 'setosa', 1],
              [4.6, 3.1, 1.5, 0.2, 'setosa', 1],
              [5.0, 3.6, 1.4, 0.2, 'setosa', 1],
              [5.4, 3.9, 1.7, 0.4, 'setosa', 1],
              [4.6, 3.4, 1.4, 0.3, 'setosa', 1],
              [5.0, 3.4, 1.5, 0.2, 'setosa', 1],
              [4.4, 2.9, 1.4, 0.2, 'setosa', 1],
              [4.9, 3.1, 1.5, 0.1, 'setosa', 1],
              [5.4, 3.7, 1.5, 0.2, 'setosa', 1],
              [4.8, 3.4, 1.6, 0.2, 'setosa', 1],
              [4.8, 3.0, 1.4, 0.1, 'setosa', 1],
              [4.3, 3.0, 1.1, 0.1, 'setosa', 1],
              [5.8, 4.0, 1.2, 0.2, 'setosa', 1]]}

df = pd.DataFrame(index=sample['index'], columns=sample['columns'], data=sample['data'])
df

現在您將擁有此 dataframe 可以使用：

    sepal_length  sepal_width  petal_length  petal_width species  species_id
0            5.1          3.5           1.4          0.2  setosa           1
1            4.9          3.0           1.4          0.2  setosa           1
2            4.7          3.2           1.3          0.2  setosa           1
3            4.6          3.1           1.5          0.2  setosa           1
4            5.0          3.6           1.4          0.2  setosa           1
5            5.4          3.9           1.7          0.4  setosa           1
6            4.6          3.4           1.4          0.3  setosa           1
7            5.0          3.4           1.5          0.2  setosa           1
8            4.4          2.9           1.4          0.2  setosa           1
9            4.9          3.1           1.5          0.1  setosa           1
10           5.4          3.7           1.5          0.2  setosa           1
11           4.8          3.4           1.6          0.2  setosa           1
12           4.8          3.0           1.4          0.1  setosa           1
13           4.3          3.0           1.1          0.1  setosa           1
14           5.8          4.0           1.2          0.2  setosa           1

這將大大增加您獲得有用答案的機會！

編輯：

df_to_dict()將無法讀取像1: Timestamp('2020-01-02 00:00:00')這樣的時間戳，而不包括from pandas import Timestamp