何时在 pandas 中使用多索引与 xarray

Posted

技术标签:

【中文标题】何时在 pandas 中使用多索引与 xarray【英文标题】:When to use multiindexing vs. xarray in pandas 【发布时间】:2017-08-10 02:50:26 【问题描述】:

pandas pivot tables documentation 似乎建议使用多索引处理多于二维的数据:

In [1]: import pandas as pd

In [2]: import numpy as np

In [3]: import pandas.util.testing as tm; tm.N = 3

In [4]: def unpivot(frame):
   ...:         N, K = frame.shape
   ...:         data = 'value' : frame.values.ravel('F'),
   ...:                 'variable' : np.asarray(frame.columns).repeat(N),
   ...:                 'date' : np.tile(np.asarray(frame.index), K)
   ...:         return pd.DataFrame(data, columns=['date', 'variable', 'value'])
   ...: 

In [5]: df = unpivot(tm.makeTimeDataFrame())

In [6]: df
Out[6]: 
         date variable     value    value2
0  2000-01-03        A  0.462461  0.924921
1  2000-01-04        A -0.517911 -1.035823
2  2000-01-05        A  0.831014  1.662027
3  2000-01-03        B -0.492679 -0.985358
4  2000-01-04        B -1.234068 -2.468135
5  2000-01-05        B  1.725218  3.450437
6  2000-01-03        C  0.453859  0.907718
7  2000-01-04        C -0.763706 -1.527412
8  2000-01-05        C  0.839706  1.679413
9  2000-01-03        D -0.048108 -0.096216
10 2000-01-04        D  0.184461  0.368922
11 2000-01-05        D -0.349496 -0.698993

In [7]: df['value2'] = df['value'] * 2

In [8]: df.pivot('date', 'variable')
Out[8]: 
               value                                  value2            \
variable           A         B         C         D         A         B   
date                                                                     
2000-01-03 -1.558856 -1.144732 -0.234630 -1.252482 -3.117712 -2.289463   
2000-01-04 -1.351152 -0.173595  0.470253 -1.181006 -2.702304 -0.347191   
2000-01-05  0.151067 -0.402517 -2.625085  1.275430  0.302135 -0.805035   


variable           C         D  
date                            
2000-01-03 -0.469259 -2.504964  
2000-01-04  0.940506 -2.362012  
2000-01-05 -5.250171  2.550861  

我认为 xarray 是为处理这样​​的多维数据集而设计的:

In [9]: import xarray as xr

In [10]: xr.DataArray(dict([(var, df[df.variable==var].drop('variable', 1)) for var in np.unique(df.variable)]))
Out[10]: 
<xarray.DataArray ()>
array('A':         date     value    value2
0 2000-01-03  0.462461  0.924921
1 2000-01-04 -0.517911 -1.035823
2 2000-01-05  0.831014  1.662027, 'C':         date     value    value2
6 2000-01-03  0.453859  0.907718
7 2000-01-04 -0.763706 -1.527412
8 2000-01-05  0.839706  1.679413, 'B':         date     value    value2
3 2000-01-03 -0.492679 -0.985358
4 2000-01-04 -1.234068 -2.468135
5 2000-01-05  1.725218  3.450437, 'D':          date     value    value2
9  2000-01-03 -0.048108 -0.096216
10 2000-01-04  0.184461  0.368922
11 2000-01-05 -0.349496 -0.698993, dtype=object)

其中一种方法比另一种更好吗?为什么 xarray 还没有完全取代多索引?

【问题讨论】:

【参考方案1】:

似乎确实可以过渡到 xarray 来处理多维数组。 Pandas 将贬低对 3D 面板数据结构和 documentation even suggest using xarray for working with multidemensional arrays 的支持:

'通常,可以简单地使用 MultiIndex DataFrame 处理更高维度的数据。

此外,xarray 包是从头开始构建的, 特别是为了支持多维分析 是 Panel 的主要用例之一。这是xarray的链接 面板转换文档。'

通过xarray documentation,他们陈述了他们的目的和目标:

xarray 旨在提供与 pandas 一样强大的数据分析工具包 但设计用于处理齐次 N 维数组 表格数据...

...我们的目标受众是任何需要 N 维标记的人 数组,但我们特别关注数据分析需求 物理科学家——尤其是已经知道和 爱网CDF

与直接使用 numpy 相比,xarray 的主要优势在于它使用标签的方式与 pandas 在多个维度上的使用方式相同。 如果您使用多索引或 xarray 处理 3 维数据,则可能可以互换。随着数据集中维数的增加,xarray 变得更易于管理。 我无法评论每个人在效率或速度方面的表现。

【讨论】:

以上是关于何时在 pandas 中使用多索引与 xarray的主要内容,如果未能解决你的问题,请参考以下文章

使用 pandas 连接多索引列

在 Pandas 中使用多索引标题读取 excel 时选择列

在 pandas 数据框中使用多索引连接数据框

如何在多索引列上使用 pandas rename()?

使用 xarray 重新采样非标准 CFTimeIndex 日历(360 天,无闰年)以供 pandas 使用的方法

使用 Pandas 从多索引表中绘制特定列