PANDAS 中类似 SQL 的窗口函数:Python Pandas Dataframe 中的行编号

Posted

技术标签:

【中文标题】PANDAS 中类似 SQL 的窗口函数:Python Pandas Dataframe 中的行编号【英文标题】:SQL-like window functions in PANDAS: Row Numbering in Python Pandas Dataframe 【发布时间】:2013-07-20 12:01:16 【问题描述】:

我来自sql背景,我经常使用以下数据处理步骤:

    按一个或多个字段对数据表进行分区 对于每个分区,将行号添加到其每一行,该行按一个或多个其他字段对行进行排名,分析师指定升序或降序

前:

df = pd.DataFrame('key1' : ['a','a','a','b','a'],
           'data1' : [1,2,2,3,3],
           'data2' : [1,10,2,3,30])
df
     data1        data2     key1    
0    1            1         a           
1    2            10        a        
2    2            2         a       
3    3            3         b       
4    3            30        a        

我正在寻找如何做相当于这个sql窗口函数的PANDAS:

RN = ROW_NUMBER() OVER (PARTITION BY Key1 ORDER BY Data1 ASC, Data2 DESC)


    data1        data2     key1    RN
0    1            1         a       1    
1    2            10        a       2 
2    2            2         a       3
3    3            3         b       1
4    3            30        a       4

我已经尝试了以下没有“分区”的工作:

def row_number(frame,orderby_columns, orderby_direction,name):
    frame.sort_index(by = orderby_columns, ascending = orderby_direction, inplace = True)
    frame[name] = list(xrange(len(frame.index)))

我试图将这个想法扩展到使用分区(pandas 中的组),但以下方法不起作用:

df1 = df.groupby('key1').apply(lambda t: t.sort_index(by=['data1', 'data2'], ascending=[True, False], inplace = True)).reset_index()

def nf(x):
    x['rn'] = list(xrange(len(x.index)))

df1['rn1'] = df1.groupby('key1').apply(nf)

但是当我这样做时,我得到了很多 NaN。

理想情况下,会有一种简洁的方法来复制 sql 的窗口函数功能(我已经想出了基于窗口的聚合...这是 pandas 中的一条线)...有人可以与我分享最多在 PANDAS 中像这样对行进行编号的惯用方法?

【问题讨论】:

看来你应该可以多栏.rank... 【参考方案1】:

使用 groupby.rank 函数。 这是工作示例。

df = pd.DataFrame('C1':['a', 'a', 'a', 'b', 'b'], 'C2': [1, 2, 3, 4, 5])
df

C1 C2
a  1
a  2
a  3
b  4
b  5

df["RANK"] = df.groupby("C1")["C2"].rank(method="first", ascending=True)
df

C1 C2 RANK
a  1  1
a  2  2
a  3  3
b  4  1
b  5  2

【讨论】:

对一个老问题的优雅的最新答案。 如果您只需要一列来排序,而不需要多列(这就是接受的答案更复杂的原因),这是一个很好的解决方案。【参考方案2】:

你可以同时使用transformRank这里是一个例子

df = pd.DataFrame('C1' : ['a','a','a','b','b'],
           'C2' : [1,2,3,4,5])
df['Rank'] = df.groupby(by=['C1'])['C2'].transform(lambda x: x.rank())
df

查看 Pandas Rank 方法了解更多信息

【讨论】:

这与 Pandas 中的类似 SQL 的窗口功能一样接近。也可以只传入 pandas Rank 函数,而不是将其包装在 lambda 中。 df.groupby(by=['C1'])['C2'].transform(pd.DataFrame.rank) 要获得row_number() 的行为,您应该将method='first' 传递给rank 函数。同样,对于rank()dense_rank(),您应该分别传递method='min'method='dense'。顺便说一句,这实际上就是为什么这里需要一个 lambda 函数@timle【参考方案3】:

你也可以使用sort_values()groupby(),最后是cumcount() + 1

df['RN'] = df.sort_values(['data1','data2'], ascending=[True,False]) \
             .groupby(['key1']) \
             .cumcount() + 1
print(df)

产量:

   data1  data2 key1  RN
0      1      1    a   1
1      2     10    a   2
2      2      2    a   3
3      3      3    b   1
4      3     30    a   4

使用 pandas 0.18 进行 PS 测试

【讨论】:

刚刚尝试了这个方法,得到了以下警告:SettingWithCopyWarning: A value is trying to be set on a copy of a slice from DataFrame。尝试改用 .loc[row_indexer,col_indexer] = value @AndrewL,您的 df 似乎是“DF 切片的复制副本”...以下命令是否适用于您的 dfdf['new'] = 0 没有 这个警告? @maxU 如果您在 groupby 排序发生之前应用 sort_values() 而与“key1”无关。但在原始窗口函数中,期望是在 'key1' 的键空间内排序 获取“ValueError:无法从重复轴重新索引”。有什么帮助吗? @MaxU 我已经创建了这个***.com/questions/55421932/… 任何帮助将不胜感激【参考方案4】:

pandas.lib.fast_zip() 可以从数组列表中创建一个元组数组。您可以使用此函数创建一个元组系列,然后对其进行排名:

values = 'key1' : ['a','a','a','b','a','b'],
          'data1' : [1,2,2,3,3,3],
          'data2' : [1,10,2,3,30,20]

df = pd.DataFrame(values, index=list("abcdef"))

def rank_multi_columns(df, cols, **kw):
    data = []
    for col in cols:
        if col.startswith("-"):
            flag = -1
            col = col[1:]
        else:
            flag = 1
        data.append(flag*df[col])
    values = pd.lib.fast_zip(data)
    s = pd.Series(values, index=df.index)
    return s.rank(**kw)

rank = df.groupby("key1").apply(lambda df:rank_multi_columns(df, ["data1", "-data2"]))

print rank

结果:

a    1
b    2
c    3
d    2
e    4
f    1
dtype: float64

【讨论】:

【参考方案5】:

您可以通过使用groupby 两次以及rank 方法来做到这一点:

In [11]: g = df.groupby('key1')

使用 min 方法参数将共享相同数据的值赋予相同的 RN:

In [12]: g['data1'].rank(method='min')
Out[12]:
0    1
1    2
2    2
3    1
4    4
dtype: float64

In [13]: df['RN'] = g['data1'].rank(method='min')

然后将这些结果分组并添加关于data2的排名:

In [14]: g1 = df.groupby(['key1', 'RN'])

In [15]: g1['data2'].rank(ascending=False) - 1
Out[15]:
0    0
1    0
2    1
3    0
4    0
dtype: float64

In [16]: df['RN'] += g1['data2'].rank(ascending=False) - 1

In [17]: df
Out[17]:
   data1  data2 key1  RN
0      1      1    a   1
1      2     10    a   2
2      2      2    a   3
3      3      3    b   1
4      3     30    a   4

感觉应该有一种本地方式来做到这一点(很可能!...)。

【讨论】:

我同意,多列排名似乎很自然...我应该在 github 上请求它吗? @AndyHayden 要获得row_number() 的行为,你应该传递method='first',而不是method='min'(这会给你rank() 行为)。

以上是关于PANDAS 中类似 SQL 的窗口函数:Python Pandas Dataframe 中的行编号的主要内容,如果未能解决你的问题,请参考以下文章

SQL窗口函数及Pandas实现

SQL窗口函数及Pandas实现

pandas 基于值而不是计数的窗口滚动计算

pandas 基于值而不是计数的窗口滚动计算

17、pandas的merge合并函数

开窗函数之累积和,PySpark,Pandas和SQL版实现