如何在熊猫中创建与多列相结合的数据框列

Posted 2023-04-15

【中文标题】如何在熊猫中创建与多列相结合的数据框列

【英文标题】：How to create a dataframe column combined with multiple columns in pandas

【发布时间】：2018-07-06 06:27:58

【问题描述】：

我有一些跟踪公司名称随时间变化的数据。但是，我不想将每个名称都更改为一行，而是希望将它们全部连接到一个字段中。

输入数据可以使用：

#Import the modules:
import pandas as pd
import numpy as np

#Create the empty data frame:
df = pd.DataFrame(columns=['dt','old_name','new_name'])

#Populate the data frame:
df.loc[len(df)] = ['01/01/2001', 'AAA', 'BBB']
df.loc[len(df)] = ['02/02/2002', 'BBB', 'CCC']
df.loc[len(df)] = ['03/03/2003', 'CCC', 'DDD']

#View the output:
df

我希望 输出 的外观可以使用以下方法创建：

#Create the empty data frame:
end_df = pd.DataFrame(columns=['dt','name'])

#Populate:
end_df.loc[len(end_df)] = ['01/01/2001', 'AAA-BBB-CCC-DDD']
end_df.loc[len(end_df)] = ['02/02/2002', 'AAA-BBB-CCC-DDD']
end_df.loc[len(end_df)] = ['03/03/2003', 'AAA-BBB-CCC-DDD']

#View the output:
end_df

编辑：我正在使用 pandas 数据框在 Pyspark2 中运行此代码 - 以防对语法产生任何影响。 另外，我的数据集中有多组名称。我的意思是，有更多的名称更改组与需要连接名称的第一组无关。

分组输入示例：

#Create the empty data frame:
df = pd.DataFrame(columns=['dt','old_name','new_name'])

#Populate the data frame:
df.loc[len(df)] = ['01/01/2001', 'AAA', 'BBB']
df.loc[len(df)] = ['02/02/2002', 'BBB', 'CCC']
df.loc[len(df)] = ['03/03/2003', 'CCC', 'DDD']
df.loc[len(df)] = ['02/01/2001', 'XXX', 'YYY']
df.loc[len(df)] = ['03/02/2002', 'YYY', 'ZZZ']

样本分组输出：

#Create the empty data frame:
end_df = pd.DataFrame(columns=['dt','name'])

#Populate:
end_df.loc[len(end_df)] = ['01/01/2001', 'AAA-BBB-CCC-DDD']
end_df.loc[len(end_df)] = ['02/02/2002', 'AAA-BBB-CCC-DDD']
end_df.loc[len(end_df)] = ['03/03/2003', 'AAA-BBB-CCC-DDD']
end_df.loc[len(end_df)] = ['02/01/2001', 'XXX-YYY-ZZZ']
end_df.loc[len(end_df)] = ['03/02/2002', 'XXX-YYY-ZZZ']

如果您需要任何进一步的说明，请告诉我。

【问题讨论】：

为什么这个标签是pyspark？您显示的所有内容都是pandas。

很抱歉给您带来了困惑——我还没有完成时不小心发布了这个问题。我现在将添加编辑。

【参考方案1】：

你需要np.flatten and np.unique

import numpy as np
end_df = pd.DataFrame(columns=['dt','name'])
end_df['dt']=df['dt'].copy()
flat=df[df.columns[1:]].values.flatten()
end_df['name']='-'.join(np.unique(flat))

print(end_df)
    dt          name
0   01/01/2001  AAA-BBB-CCC-DDD
1   02/02/2002  AAA-BBB-CCC-DDD
2   03/03/2003  AAA-BBB-CCC-DDD 

【讨论】：

嗨 pyd。感谢您的答复。我刚刚编辑了我的问题，因为我忘了提到我的数据集中有多组名称更改。除此之外，您的解决方案效果很好！您知道如何将每个名称更改“分组”吗？

【参考方案2】：

创建了两个dicts：old_new_dict从旧名称遍历到新名称，old_new_dict_rev从新名称遍历到旧名称：

old_new_dict = k:v for k,v in zip(df.old_name,df.new_name)          
old_new_dict_rev = v:k for k,v in zip(df.old_name,df.new_name)     

函数find_tree，双向遍历并加入它们以创建名称的完整路径。

def find_tree(name):
    left_list = []
    right_list = []
    name_l, name_r = name, name

    while(name_l in old_new_dict_rev):
        left_list.append(old_new_dict_rev[name_l])
        name_l = old_new_dict_rev[name_l]
    left_list.reverse()

    while(name_r in old_new_dict):
        right_list.append(old_new_dict[name_r])
        name_r = old_new_dict[name_r]

    return "-".join(left_list + [name] + right_list)

将完整路径添加为数据框df 中的name 列：

df['name'] = df['old_name'].apply(lambda x: find_tree(x))
end_df = df.drop(['old_name','new_name'], axis = 1)

end_df
#           dt             name
#0  01/01/2001  AAA-BBB-CCC-DDD
#1  02/02/2002  AAA-BBB-CCC-DDD
#2  03/03/2003  AAA-BBB-CCC-DDD
#3  02/01/2001      XXX-YYY-ZZZ
#4  03/02/2002      XXX-YYY-ZZZ