如何将数据框中的一行的值与另一个数据框中的多行进行比较（包括计算）

Posted 2023-02-25

【中文标题】如何将数据框中的一行的值与另一个数据框中的多行进行比较（包括计算）

【英文标题】：How to compare the values of a row in a data frame with multiple rows from another data frame (include calculation)

【发布时间】：2020-12-22 16:27:15

【问题描述】：

抱歉，因为写标题的英文不好。我想做的是通过与另一个数据框df2 进行比较来确定df 的位置。 df是一个数据框，显示了一段时间内经纬度的变化。它是一个包含超过 40,000 行的数据框。

    df=
                        Longitude Latitude     
        Time               
        2020-01-01 01:00    100.0   20.0       
        2020-01-01 01:01    100.2   20.1       
        2020-01-01 01:02    300.1   30.0       
        2020-01-01 01:03    200.1   40.0     
        2020-01-01 01:04     50.0   50.0  

df2 是包含位置数据的数据框。它是一个大约 30 行的数据框。

df2=
        Longitude Latitude   Location
    0        90.0   20.0     District A 
    1       210.0   60.0     District B

确定我所在位置的方法将由毕达哥拉斯定理完成。 df中的每一行数据都会与df2中的每一行数据进行比较，找出最短距离，最短的距离就是我所在的位置。

以2020-01-01 01:01为例。

首先，与df2 row 0比较，计算为[(100.2-90.0)^2+(20.1-20.0)^2]^0.5。

其次，与df2 row 1比较，计算为[(100.2-210.0)^2+(20.1-60.0)^2]^0.5

由于位置与District A 之间的距离小于位置与District B 之间的距离，因此2020-01-01 01:01 上的位置将为District A。预期输出如下。

df=
                            Longitude Latitude  Location   
            Time               
            2020-01-01 01:00    100.0   20.0    District A   
            2020-01-01 01:01    100.2   20.1    District A   
            2020-01-01 01:02    300.1   30.0    District B   
            2020-01-01 01:03    200.1   40.0    District B 
            2020-01-01 01:04     50.0   50.0    District A

我的方法：为了首先得到我的预期结果，我将创建一个充满NaN 的df['Loaction'] 列，然后我将进行计算并提取df2['Location'] 以替换NaN 中的NaN 值df['Loaction']。

但是，我很困惑的是如何获得计算结果。是否有任何相关的 pandas 函数或 NumPy 函数可以将df 中的一行与df2 中的多行进行比较？有更好的方法吗？谢谢！

【参考方案1】：

我忽略了时间列，因为不需要任何操作。

d = 'Longitude': [100.0,100.2,300.1,200.1,50.0], 'Latitude': [20.0 , 20.1,30.0,40.0, 50.0 ]
df = pd.DataFrame(data=d)

d2 = 'Longitude':[90.0, 210.0], 'Latitude':[20.0, 60.0], 'Location':['District A', 'District B']
df2 = pd.DataFrame(data=d2)

一个 lambda 函数可以逐行应用于 df，因为我们将 df 的每一行与 df2 的所有行进行比较。它不是一对一的映射。

所以，首先我尝试找到最小距离，然后从 df2 获取“位置”值。请注意，我避免在距离计算中采用 sqrt 值以简化解决方案。无论如何都应该无所谓，因为只需要最低限度。

df.apply(lambda x: df2['Location'][(x[0] - df2['Longitude'])**2 + (x[1] - df2['Latitude'])**2 == min((x[0] - df2['Longitude'])**2 + (x[1] - df2['Latitude'])**2)].iloc[0], axis=1)

这应该会产生以下输出。

df.apply(lambda x: df2['Location'][(x[0] - df2['Longitude'])**2 + (x[1] - df2['Latitude'])**2 == min((x[0] - df2['Longitude'])**2 + (x[1] - df2['Latitude'])**2)].iloc[0], axis=1)
0    District A
1    District A
2    District B
3    District B
4    District A
dtype: object

如果将最后一列添加到 df，则如下所示。

>>> df['Location'] = df.apply(lambda x: df2['Location'][(x[0] - df2['Longitude'])**2 + (x[1] - df2['Latitude'])**2 == min((x[0] - df2['Longitude'])**2 + (x[1] - df2['Latitude'])**2)].iloc[0], axis=1)
>>> 
>>> df
   Longitude  Latitude    Location
0      100.0      20.0  District A
1      100.2      20.1  District A
2      300.1      30.0  District B
3      200.1      40.0  District B
4       50.0      50.0  District A

【讨论】：

如果解决方案令人满意，也请接受正确的答案。它是upvote按钮下方的刻度线。

我已经尝试过您的示例，它运行良好。但是当我应用到我的代码时，它给出了一个错误：试图在 DataFrame 的切片副本上设置一个值。所有 df['Location'] 都更改为 'District A'。我已经研究了一段时间，但我不明白 lambda 是如何不起作用的，因为我的 df 是一个副本

恐怕，我需要更多详细信息，例如您编写的代码。但是，这似乎是对已返回副本的数据框执行选择，然后当我们尝试在此副本上设置时，返回错误。你检查过这个线程吗？ ***.com/questions/20625582/…

另外，如果答案解决了发布的问题，请接受正确的答案。