解包 DataFrame 的列表元素

Posted 2023-02-16

【中文标题】解包 DataFrame 的列表元素

【英文标题】：Unpack the list element of DataFrame

【发布时间】：2016-06-28 13:47:05

【问题描述】：

我有这个 df：

l1 = ['a', 'b', 'c']
l2 = ['x', ['y1', 'y2', 'y3'], 'z']
df = pd.DataFrame(list(zip(l1, l2)), columns = ['l1', 'l2'])

结果：

  l1            l2
0  a             x
1  b  [y1, y2, y3]
2  c             z

我需要的是在 l2 中解压内部列表并将相应的值传播到 l1 中，如下所示：

  l1  l2
0  a   x
1  b  y1
2  b  y2
3  b  y3
4  c   z

这样做的正确方法是什么？ 谢谢。

【参考方案1】：

您可以将嵌套列表推导与 itertools.zip_longest 一起使用。

import pandas as pd

from itertools import zip_longest

l1 = ['a', 'b', 'c']
l2 = ['x', ['y1', 'y2', 'y3'], 'z']

expanded = [(left, right) for outer in zip(l1, l2) 
                          for left, right in zip_longest(*outer, fillvalue=outer[0])]

pd.DataFrame(expanded)

结果是……

   0   1
0  a   x
1  b  y1
2  b  y2
3  b  y3
4  c   z

对我来说，这是一个列表组合太长的边界。还假设l1 中没有列表并且将进行填充。

【参考方案2】：

我认为您可以将numpy.repeat 用于str.len 的长度重复值和chain 的嵌套lists 的平面值：

from  itertools import chain

df1 = pd.DataFrame(
        "l1": np.repeat(df.l1.values, df.l2.str.len()),
        "l2": list(chain.from_iterable(df.l2)))
print (df1)
  l1  l2
0  a   x
1  b  y1
2  b  y2
3  b  y3
4  c   z

时间安排：

#[100000 rows x 2 columns]
np.random.seed(10)
N = 100000
l1 = ['a', 'b', 'c']
l1 = np.random.choice(l1, N)
l2 = [list(tuple(string.ascii_letters[:np.random.randint(1, 10)])) for _ in np.arange(N)]
df = pd.DataFrame("l1":l1, "l2":l2)
df.l2 = df.l2.apply(lambda x: x if len(x) !=1 else x[0])
#print (df)


In [91]: %timeit (pd.DataFrame([(left, right) for outer in zip(l1, l2) for left, right in zip_longest(*outer, fillvalue=outer[0])]))
1 loop, best of 3: 242 ms per loop

In [92]: %timeit (pd.DataFrame( "l1": np.repeat(df.l1.values, df.l2.str.len()), "l2": list(chain.from_iterable(df.l2))))
10 loops, best of 3: 84.6 ms per loop

结论：

numpy.repeat 比 3 times 在更大的 df 中的解决方案更快。

编辑：

与循环版本相比，df 需要更小，因为非常慢：

#[1000 rows x 2 columns]
np.random.seed(10)
N = 1000
l1 = ['a', 'b', 'c']
l1 = np.random.choice(l1, N)
l2 = [list(tuple(string.ascii_letters[:np.random.randint(1, 10)])) for _ in np.arange(N)]
df = pd.DataFrame("l1":l1, "l2":l2)
df.l2 = df.l2.apply(lambda x: x if len(x) !=1 else x[0])
#print (df)

def alexey(df):
    df2 = pd.DataFrame(columns=df.columns,index=df.index)[0:0]

    for idx in df.index:
        new_row = df.loc[idx, :].copy()
        for res in df.ix[idx, 'l2']:
            new_row.set_value('l2', res)
            df2.loc[len(df2)] = new_row
    return df2

print (alexey(df))

In [20]: %timeit (alexey(df))
1 loop, best of 3: 11.4 s per loop

In [21]: %timeit pd.DataFrame([(left, right) for outer in zip(l1, l2) for left, right in zip_longest(*outer, fillvalue=outer[0])])
100 loops, best of 3: 2.57 ms per loop

In [22]: %timeit pd.DataFrame( "l1": np.repeat(df.l1.values, df.l2.str.len()), "l2": list(chain.from_iterable(df.l2)))
The slowest run took 4.42 times longer than the fastest. This could mean that an intermediate result is being cached.
1000 loops, best of 3: 1.41 ms per loop

【讨论】：

我可以让你权衡一下我的回答吗here我回答晚了。我也在路上，没有笔记本电脑，无法运行任何代码?

不幸的是我在打电话，所以无法测试。但我得到了投票。

【参考方案3】：

蛮力，遍历数据框：

for idx in df.index:
    # This transforms the item in "l2" into an iterable list
    item = df.loc[idx, "l2"] if isinstance(df.loc[idx, "l2"], (list, tuple)) else [df.loc[idx, "l2"]]
    for element in item:
        print(df.loc[idx, "l1"], element)

返回

a x
b y1
b y2
b y3
c z

【参考方案4】：

对于列数不固定的 DataFrame，我现在执行以下操作：

l1 = ['a', 'b', 'c']
l2 = ['x', ['y1', 'y2', 'y3'], 'z']
df = pd.DataFrame(list(zip(l1, l2)), columns = ['l1', 'l2'])

自 pandas 0.25.0 以来，有一个内置的 explode 方法，它完全可以做到这一点，保留索引：

df.explode('l2')

结果：

  l1  l2
0  a   x
1  b  y1
1  b  y2
1  b  y3
2  c   z

如果需要刷新索引：

df.explode('l2').reset_index(drop=True)

结果：

  l1  l2
0  a   x
1  b  y1
2  b  y2
3  b  y3
4  c   z

旧答案：

df2 = pd.DataFrame(columns=df.columns,index=df.index)[0:0]

for idx in df.index:
    new_row = df.loc[idx, :].copy()
    for res in df.ix[idx, 'l2']:
        new_row.set_value('l2', res)
        df2.loc[len(df2)] = new_row

它有效，但这看起来很像暴力破解。

【讨论】：

但我认为它会很慢，因为循环:(

修复了代码，你能检查一下时间吗？是的，我想它也很慢。也许循环可以以某种方式优化（我不是专家）

循环非常慢，在 pandas 或 numpy 中最好避免它。请检查时间，如果我的回答有帮助，请不要忘记accept。谢谢。