动态构建索引以对 pandas 中的记录进行分类

Posted 2023-03-12

【中文标题】动态构建索引以对 pandas 中的记录进行分类

【英文标题】：Dynamically building indexes to classify records in pandas

【发布时间】：2019-03-12 21:02:55

【问题描述】：

我正在尝试编写一个简单的记录分类器。我想添加一个其值对记录进行分类的列。我想将我的分类规则编入 yaml 或类似文件以进行维护。

我正在使用 Pandas，因为这似乎是使用 python 中的 csv 记录执行此操作的最佳方法。我愿意接受其他建议。我是 pandas 的新手，我的 python 技能被礼貌地描述为“为什么这看起来像 perl？”

我得到了一个数据框（trans），我想应用我的规则如下：

trans['class'][(trans['foo'] > 5) & (trans['bar'].str.contains(re.compile('baz|one|two', re.I))] = 'Record Type 1'

这是交互式的。我希望能够从我的 yaml 文件中的每个规则动态生成分类索引"(trans['foo'] > 5) & (trans['bar'].str.contains(re.compile('baz|one|two', re.I))"。我已经成功构建了字符串，这样我就有了这样的东西：

slice = "(trans['foo'] > 5) & (trans['bar'].str.contains(re.compile('baz|one|two', re.I))" trans['class'][slice] = 'Record Type 1'

这不起作用。我应该怎么做？

【参考方案1】：

我认为您不应该将条件放在引号内。所以应该是

slice = (trans[`foo`] > 5) & (trans['bar'].str.contains(re.compile('baz|one|two', re.I)))
trans['class'][slice] = "Record Type 1"

【讨论】：

如果表达式以字符串s 的形式出现，您可以使用slice = eval(s)。 @jpp 的笔记都很棒，值得考虑，尤其是第二名。

我在代码中构建了自己的字符串，缺少的是 eval。我误解了切片在链式逻辑中的含义。我在文档中简要阅读了链式对话，并决定它不适用于我的情况，因为我不担心覆盖数据框。也就是说，既然我知道如何避免它，我打算避免它。

【参考方案2】：

需要注意的几点：

引号表示 Python 中的字符串。不要使用它们来包围布尔掩码的计算。 不要使用链式索引。它是文档中的explicitly discouraged，它可能会导致意外的副作用，或者是在修改视图还是副本时产生歧义。您可以改用pd.DataFrame.loc。 pd.Series.str.contains 已经支持正则表达式并且默认为regex=True，您不需要使用re 模块。

为了便于阅读，您可以拆分和组合掩码。这是一个例子：

m1 = trans['foo'] > 5
m2 = trans['bar'].str.contains('baz|one|two', case=False)

trans.loc[m1 & m2, 'class'] = 'Record Type 1'

通常昂贵的部分，m2 的计算，可以通过专业算法进行优化，详情请参阅this answer。

【讨论】：

您将如何处理在运行时之前存在未知数量的条件的情况？即可能需要 m1、m1&m2 或 m1&m2&m3 等。你能像 m = m & new_condition 这样迭代吗？

当然，您可以通过这种方式链接任意数量的布尔系列，例如m = m1 & m2 & (m3 | m4) & (m5 | m6)，然后计算m = m & m7等。

谢谢您-我点击了并忘记了检查-doh！这看起来非常有帮助。谢谢。