将数据帧拆分为多个数据帧
Posted
技术标签:
【中文标题】将数据帧拆分为多个数据帧【英文标题】：Splitting dataframe into multiple dataframes 【发布时间】：2013-11-16 10:23:57 【问题描述】：我有一个非常大的数据框（大约 100 万行），其中包含来自实验的数据（60 位受访者）。
我想将数据框拆分为 60 个数据框（每个参与者一个数据框）。
在数据框data中，有一个名为'name'的变量，它是每个参与者的唯一代码。
我尝试了以下操作，但没有任何反应（或执行不会在一小时内停止）。我打算做的是将data 拆分为更小的数据帧，并将它们附加到列表中（datalist）：
import pandas as pd
def splitframe(data, name='name'):
n = data[name][0]
df = pd.DataFrame(columns=data.columns)
datalist = []
for i in range(len(data)):
if data[name][i] == n:
df = df.append(data.iloc[i])
else:
datalist.append(df)
df = pd.DataFrame(columns=data.columns)
n = data[name][i]
df = df.append(data.iloc[i])
return datalist
我没有收到错误消息，脚本似乎永远运行！
有什么聪明的方法吗？
【问题讨论】：
【参考方案1】： OP 中的方法有效，但效率不高。它可能似乎永远运行，因为数据集很长。 在'method' 列上使用.groupby，并创建DataFrames 的dict，以唯一的'method' 值作为键，并使用dict-comprehension。
.groupby 返回一个groupby 对象，其中包含有关组的信息，其中g 是'method' 中每个组的唯一值，d 是该组的DataFrame。
df_dict 中每个key 的value 将是一个DataFrame，可以通过标准方式df_dict['key'] 访问。
最初的问题想要list 的DataFrames，可以用list-comprehension 完成
df_list = [d for _, d in df.groupby('method')]
import pandas as pd
import seaborn as sns # for test dataset
# load data for example
df = sns.load_dataset('planets')
# display(df.head())
method number orbital_period mass distance year
0 Radial Velocity 1 269.300 7.10 77.40 2006
1 Radial Velocity 1 874.774 2.21 56.95 2008
2 Radial Velocity 1 763.000 2.60 19.84 2011
3 Radial Velocity 1 326.030 19.40 110.62 2007
4 Radial Velocity 1 516.220 10.50 119.47 2009
# Using a dict-comprehension, the unique 'method' value will be the key
df_dict = g: d for g, d in df.groupby('method')
print(df_dict.keys())
[out]:
dict_keys(['Astrometry', 'Eclipse Timing Variations', 'Imaging', 'Microlensing', 'Orbital Brightness Modulation', 'Pulsar Timing', 'Pulsation Timing Variations', 'Radial Velocity', 'Transit', 'Transit Timing Variations'])
# or a specific name for the key, using enumerate (e.g. df1, df2, etc.)
df_dict = f'dfi': d for i, (g, d) in enumerate(df.groupby('method'))
print(df_dict.keys())
[out]:
dict_keys(['df0', 'df1', 'df2', 'df3', 'df4', 'df5', 'df6', 'df7', 'df8', 'df9'])
df_dict['df1].head(3) 或 df_dict['Astrometry'].head(3)
这个组只有2个
method number orbital_period mass distance year
113 Astrometry 1 246.36 NaN 20.77 2013
537 Astrometry 1 1016.00 NaN 14.98 2010
df_dict['df2].head(3) 或 df_dict['Eclipse Timing Variations'].head(3)
method number orbital_period mass distance year
32 Eclipse Timing Variations 1 10220.0 6.05 NaN 2009
37 Eclipse Timing Variations 2 5767.0 NaN 130.72 2008
38 Eclipse Timing Variations 2 3321.0 NaN 130.72 2008
df_dict['df3].head(3) 或 df_dict['Imaging'].head(3)
method number orbital_period mass distance year
29 Imaging 1 NaN NaN 45.52 2005
30 Imaging 1 NaN NaN 165.00 2007
31 Imaging 1 NaN NaN 140.00 2004
或者
这是使用pandas: Boolean Indexing 创建单独的DataFrames 的手动方法
这类似于接受的答案，但不需要.loc。
这是一种可接受的方法来创建一对额外的DataFrames。
创建多个对象的 Python 方式是将它们放入容器中（例如 dict、list、generator 等），如上所示。
df1 = df[df.method == 'Astrometry']
df2 = df[df.method == 'Eclipse Timing Variations']
【讨论】：
【参考方案2】：这里有一个小功能可能会有所帮助（效率可能并不完美，但紧凑+或多或少容易理解）：
def get_splited_df_dict(df: 'pd.DataFrame', split_column: 'str'):
"""
splits a pandas.DataFrame on split_column and returns it as a dict
"""
df_dict = value: df[df[split_column] == value].drop(split_column, axis=1) for value in df[split_column].unique()
return df_dict
它通过选择给定列中的每个唯一值并将所有这些条目放入单独的 DataFrame 中，将一个 DataFrame 转换为多个 DataFrame。
.drop(split_column, axis=1) 仅用于删除用于拆分 DataFrame 的列。删除不是必需的，但可以帮助减少操作后的内存使用量。
get_splited_df_dict 的结果是dict，这意味着可以像这样访问每个 DataFrame：
splitted = get_splited_df_dict(some_df, some_column)
# accessing the DataFrame with 'some_column_value'
splitted[some_column_value]
【讨论】：
【参考方案3】：首先，您的方法效率低下，因为逐行追加到列表会很慢，因为当新条目的空间不足时，它必须定期增长列表，列表理解在这方面更好，因为大小预先确定并分配一次。
但是，我认为从根本上说，您的方法有点浪费，因为您已经有了一个数据框，那么为什么要为这些用户中的每一个创建一个新的呢？
我会按列'name' 对数据框进行排序，将索引设置为这个，如果需要，不要删除该列。
然后生成所有唯一条目的列表，然后您可以使用这些条目执行查找，最重要的是，如果您只查询数据，请使用选择标准返回数据框的视图，而不会产生昂贵的数据副本。
使用pandas.DataFrame.sort_values 和pandas.DataFrame.set_index：
# sort the dataframe
df.sort_values(by='name', axis=1, inplace=True)
# set the index to be this and don't drop
df.set_index(keys=['name'], drop=False,inplace=True)
# get a list of names
names=df['name'].unique().tolist()
# now we can perform a lookup on a 'view' of the dataframe
joe = df.loc[df.name=='joe']
# now you can query all 'joes'
【讨论】：
据我了解 - 排序时轴应为零【参考方案4】：简单：
[v for k, v in df.groupby('name')]
【讨论】：
【参考方案5】：Groupby 可以帮助您：
grouped = data.groupby(['name'])
然后，您可以与每个组一起工作，就像为每个参与者使用数据框一样。而DataFrameGroupBy对象方法如（apply、transform、aggregate、head、first、last）返回一个DataFrame对象。
或者您可以从grouped 列出并按索引获取所有DataFrame：
l_grouped = list(grouped)
l_grouped[0][1] - 具有名字的第一个组的 DataFrame。
【讨论】：
【参考方案6】：如果您的数据已经有一些标签，您可以使用 groupby 命令。
out_list = [group[1] for group in in_series.groupby(label_series.values)]
这里有一个详细的例子：
假设我们想使用一些标签将一个 pd 系列划分为一个块列表
例如，in_series 是：
2019-07-01 08:00:00 -0.10
2019-07-01 08:02:00 1.16
2019-07-01 08:04:00 0.69
2019-07-01 08:06:00 -0.81
2019-07-01 08:08:00 -0.64
Length: 5, dtype: float64
而其对应的label_series为：
2019-07-01 08:00:00 1
2019-07-01 08:02:00 1
2019-07-01 08:04:00 2
2019-07-01 08:06:00 2
2019-07-01 08:08:00 2
Length: 5, dtype: float64
运行
out_list = [group[1] for group in in_series.groupby(label_series.values)]
它返回两个pd.Series中的out_list一个list：
[2019-07-01 08:00:00 -0.10
2019-07-01 08:02:00 1.16
Length: 2, dtype: float64,
2019-07-01 08:04:00 0.69
2019-07-01 08:06:00 -0.81
2019-07-01 08:08:00 -0.64
Length: 3, dtype: float64]
请注意，您可以使用 in_series 本身的一些参数对系列进行分组，例如，in_series.index.day
【讨论】：
【参考方案7】：您可以将groupby 对象转换为tuples，然后再转换为dict：
df = pd.DataFrame('Name':list('aabbef'),
'A':[4,5,4,5,5,4],
'B':[7,8,9,4,2,3],
'C':[1,3,5,7,1,0], columns = ['Name','A','B','C'])
print (df)
Name A B C
0 a 4 7 1
1 a 5 8 3
2 b 4 9 5
3 b 5 4 7
4 e 5 2 1
5 f 4 3 0
d = dict(tuple(df.groupby('Name')))
print (d)
'b': Name A B C
2 b 4 9 5
3 b 5 4 7, 'e': Name A B C
4 e 5 2 1, 'a': Name A B C
0 a 4 7 1
1 a 5 8 3, 'f': Name A B C
5 f 4 3 0
print (d['a'])
Name A B C
0 a 4 7 1
1 a 5 8 3
不是recommended，而是可以按组创建DataFrame：
for i, g in df.groupby('Name'):
globals()['df_' + str(i)] = g
print (df_a)
Name A B C
0 a 4 7 1
1 a 5 8 3
【讨论】：
【参考方案8】：基于列表理解和groupby的方法- 将所有拆分的数据帧存储在列表变量中，可以使用索引访问。
例子
ans = [pd.DataFrame(y) for x, y in DF.groupby('column_name', as_index=False)]
ans[0]
ans[0].column_name
【讨论】：
【参考方案9】：我有类似的问题。我有 10 家不同商店和 50 种不同商品的每日销售时间序列。我需要将原始数据帧拆分为 500 个数据帧（10 个存储*50 个存储）以将机器学习模型应用于每个数据帧，而我无法手动完成。
这是数据框的头部：
我创建了两个列表； 一个用于数据框的名称 一个用于数组 [item_number, store_number]。
list=[]
for i in range(1,len(items)*len(stores)+1):
global list
list.append('df'+str(i))
list_couple_s_i =[]
for item in items:
for store in stores:
global list_couple_s_i
list_couple_s_i.append([item,store])
一旦这两个列表准备就绪，您就可以循环它们以创建您想要的数据框：
for name, it_st in zip(list,list_couple_s_i):
globals()[name] = df.where((df['item']==it_st[0]) &
(df['store']==(it_st[1])))
globals()[name].dropna(inplace=True)
通过这种方式，我创建了 500 个数据框。
希望这会有所帮助！
【讨论】：
【参考方案10】：除了 Gusev Slava 的回答，您可能还想使用 groupby 的组：
key: df.loc[value] for key, value in df.groupby("name").groups.items()
这将产生一个字典，其中包含您分组的键，指向相应的分区。优点是键被维护并且不会在列表索引中消失。
【讨论】：
【参考方案11】：In [28]: df = DataFrame(np.random.randn(1000000,10))
In [29]: df
Out[29]:
<class 'pandas.core.frame.DataFrame'>
Int64Index: 1000000 entries, 0 to 999999
Data columns (total 10 columns):
0 1000000 non-null values
1 1000000 non-null values
2 1000000 non-null values
3 1000000 non-null values
4 1000000 non-null values
5 1000000 non-null values
6 1000000 non-null values
7 1000000 non-null values
8 1000000 non-null values
9 1000000 non-null values
dtypes: float64(10)
In [30]: frames = [ df.iloc[i*60:min((i+1)*60,len(df))] for i in xrange(int(len(df)/60.) + 1) ]
In [31]: %timeit [ df.iloc[i*60:min((i+1)*60,len(df))] for i in xrange(int(len(df)/60.) + 1) ]
1 loops, best of 3: 849 ms per loop
In [32]: len(frames)
Out[32]: 16667
这是一种分组方式（您可以进行任意应用而不是求和）
In [9]: g = df.groupby(lambda x: x/60)
In [8]: g.sum()
Out[8]:
<class 'pandas.core.frame.DataFrame'>
Int64Index: 16667 entries, 0 to 16666
Data columns (total 10 columns):
0 16667 non-null values
1 16667 non-null values
2 16667 non-null values
3 16667 non-null values
4 16667 non-null values
5 16667 non-null values
6 16667 non-null values
7 16667 non-null values
8 16667 non-null values
9 16667 non-null values
dtypes: float64(10)
Sum 被 cythonized 这就是为什么它这么快
In [10]: %timeit g.sum()
10 loops, best of 3: 27.5 ms per loop
In [11]: %timeit df.groupby(lambda x: x/60)
1 loops, best of 3: 231 ms per loop
【讨论】：
【参考方案12】：我能问一下为什么不通过对数据框进行切片来做到这一点。类似的东西
#create some data with Names column
data = pd.DataFrame('Names': ['Joe', 'John', 'Jasper', 'Jez'] *4, 'Ob1' : np.random.rand(16), 'Ob2' : np.random.rand(16))
#create unique list of names
UniqueNames = data.Names.unique()
#create a data frame dictionary to store your data frames
DataFrameDict = elem : pd.DataFrame for elem in UniqueNames
for key in DataFrameDict.keys():
DataFrameDict[key] = data[:][data.Names == key]
嘿，你有一个数据框字典，就像（我认为）你想要的那样。需要访问一个吗？直接输入
DataFrameDict['Joe']
希望有帮助
【讨论】：
以上是关于将数据帧拆分为多个数据帧的主要内容，如果未能解决你的问题，请参考以下文章