使用字典而不是 globals()

Posted 2023-05-07

【中文标题】使用字典而不是 globals()

【英文标题】：Using Dictionaries instead of globals()

【发布时间】：2020-12-17 17:30:37

【问题描述】：

我正在做一个关于检索股票信息的商业案例。老师使用下面的代码创建带有股票信息的DataFrame。

#The tech stocks we'll use for this analysis

tech_list = ['AAPL','GOOG','MSFT','AMZN']

#Set up End and Start times for data grab
end = datetime.now()

start = datetime(end.year - 1,end.month,end.day)

#For loop for grabing yahoo finance data and setting as a dataframe

for stock in tech_list: 
# Set DataFrame as the Stock Ticker
     globals()[stock] = DataReader(stock,'yahoo',start,end)

他使用globals() 使用 techstock 创建 4 个数据框。我在下面的问题中读到，您也可以使用字典来实现相同的目标。

pandas set names of dataframes in loop

我的问题是我不明白答案中的这行代码：

frames = i:dat for i, dat in data.groupby('Sport')

谁能解释一下？

【问题讨论】：

globals() 是一本字典

frames 是使用comprehension 构建的字典。调用data.groupby() 将返回一对值，称为i 和dat，符号i:dat for i, dat in ... 正在从所有这些对中构建一个新字典，使用i 作为键，dat 作为价值。

也可以写成frames = dict(data.groupby('Sport'))

@Z4-tier 可能有一个规范的副本可以解释字典理解是什么，但我的列表中没有它。你有吗？

@Barmar 我找不到。很多涉及字典理解的问题，但我找不到只是解释它是什么的东西。我会发布一个答案，也许其他人会通过链接来。

【参考方案1】：

在这种情况下，frames 是使用字典理解构建的字典。调用data.groupby() 正在返回一对值，它们在理解中被称为i 和dat，符号i:dat for i, dat in ... 正在从所有这些对中构建一个新字典，使用i 作为键和dat 作为值。结果存储在frames。

一般语法是（对于迭代器返回 2 个元素的情况）：

key: value for key, value in iterator

this question 的答案很好地解释了 Python 中的迭代器是什么。通常（但不总是），当在字典推导中使用时，迭代器的 __next__() 方法将返回两个元素。至少其中一个元素必须是可散列的，以便它可以用作字典键。

iterator 不一定需要返回两个元素（尽管这是一种常见的使用模式）。 This works:

print(dict([(i, chr(65+i)) for i in range(4)]))
0 : 'A', 1 : 'B', 2 : 'C', 3 : 'D'

并且还表明字典推导实际上只是使用与 列表推导 和 dict() 方法相同的机制的特殊语法，这就是 @Barmar 的评论所做的：

frames = dict(data.groupby('Sport'))

在这种情况下，data.groupby() 确实需要返回两个元素，并且顺序确实很重要，因为它是（大致）这个的简写：

dict([(key, value) for key, value in data.groupby('Sport')])

【讨论】：

感谢您的回复！现在我了解了字典理解背后的逻辑。只是最后一个疑问。示例中的数据框“frame”有 2 列（“Sport”和“random_data”）。如果会有另一列“玩家”怎么办，那么数据框“框架”有 3 列。如果我想创建一个字典理解来仅调用“运动”和“玩家”列，那么字典理解中的语法是什么？我尝试了以下方法，但它不起作用：'frames = i:dat for i in data.groupby('Sport'), dat in data['player'] '

你可以这样做：sport: player: player_stats for player, player_stats in sport_stats.groupby('player') for sport, sport_stats in data.groupby('sport')。这使用了嵌套的字典解析：因为sport_stats.groupby('sport') 返回看起来像('sport', DataFrame) 的对，所以内部解析将解包第一个DataFrame（我称之为sport_stats），这次按玩家分组，所以你得到(sport, (player, player_DataFrame))。这是一个很好的例子，说明为什么使用有意义的名称而不是单个字母是好的:)