Python Pandas 遍历行并访问列名
Posted
技术标签:
【中文标题】Python Pandas 遍历行并访问列名【英文标题】:Python Pandas iterate over rows and access column names 【发布时间】:2017-09-23 00:17:57 【问题描述】:我正在尝试遍历 Python Pandas 数据框的行。在数据框的每一行中,我试图通过列名来引用一行中的每个值。
这是我所拥有的:
import numpy as np
import pandas as pd
df = pd.DataFrame(np.random.rand(10,4),columns=list('ABCD'))
print df
A B C D
0 0.351741 0.186022 0.238705 0.081457
1 0.950817 0.665594 0.671151 0.730102
2 0.727996 0.442725 0.658816 0.003515
3 0.155604 0.567044 0.943466 0.666576
4 0.056922 0.751562 0.135624 0.597252
5 0.577770 0.995546 0.984923 0.123392
6 0.121061 0.490894 0.134702 0.358296
7 0.895856 0.617628 0.722529 0.794110
8 0.611006 0.328815 0.395859 0.507364
9 0.616169 0.527488 0.186614 0.278792
我使用this approach 进行迭代,但它只提供了部分解决方案 - 在每次迭代中选择一行后,如何通过列名访问行元素? p>
这是我想要做的:
for row in df.iterrows():
print row.loc[0,'A']
print row.A
print row.index()
我的理解是该行是 Pandas series。但是我没有办法索引到系列中。
是否可以在遍历行的同时使用列名?
【问题讨论】:
row
在你的例子中不是一个系列,它应该是一个元组。但是如果你这样做for idx, row in df.iterrows()
,row['A']
应该可以正常工作吗?
这就是我所缺少的!谢谢。
大多数使用 pandas 的数值运算都可以向量化——这意味着它们比传统迭代要快得多。 OTOH,某些操作(例如字符串和正则表达式)本质上很难矢量化。在这种情况下,了解 如何 循环数据非常重要。有关何时以及如何循环数据的更多信息,请阅读For loops with Pandas - When should I care?。
【参考方案1】:
我也喜欢itertuples()
for row in df.itertuples():
print(row.A)
print(row.Index)
由于 row 是一个命名元组,如果您要访问每一行的值,这应该MUCH更快
速度跑:
df = pd.DataFrame([x for x in range(1000*1000)], columns=['A'])
st=time.time()
for index, row in df.iterrows():
row.A
print(time.time()-st)
45.05799984931946
st=time.time()
for row in df.itertuples():
row.A
print(time.time() - st)
0.48400020599365234
【讨论】:
谢谢!我认为这实际上是我的想法(但不记得了)。它更实用(因为不需要idx
,就像必须enumerate
一个列表)。因为我要求iterrows()
,所以我会选择那个答案。但如果我记得,这就是我会使用的。
print(row.Index)
结果:AttributeError: 'tuple' object has no attribute 'Index'
@kiltek 你用过itertuples(index=False)
吗?如果没有,我需要一些代码来找出问题所在
@WR 这应该是公认的答案。是up to 50x faster。
据我了解,如果列数大于255,则返回的元组没有命名。有没有办法覆盖它并为〜3000列生成命名元组?我想最终获取那些满足条件的列名。 @史蒂文G【参考方案2】:
iterrows()
中的项目不是一个系列,而是一个 (index, Series) 的元组,因此您可以像这样在 for 循环中解包该元组:
for (idx, row) in df.iterrows():
print(row.loc['A'])
print(row.A)
print(row.index)
#0.890618586836
#0.890618586836
#Index(['A', 'B', 'C', 'D'], dtype='object')
【讨论】:
@StevenG 是的。这就是我想说的。我想如果我们说(索引,系列)会更清楚。 按照第二个答案中的建议使用 itertuples() ...如果您使用的是大型数据框,intertuples 会快很多【参考方案3】:如何高效迭代
如果您确实需要迭代 Pandas 数据框,您可能希望避免使用 iterrows()。有不同的方法,通常的iterrows()
远不是最好的。 itertuples() 可以快 100 倍。
简而言之:
作为一般规则,使用df.itertuples(name=None)
。特别是当您有固定数量的列且少于 255 列时。 见第 (3) 点
否则,请使用df.itertuples()
,除非您的列有空格或“-”等特殊字符。 见第 (2) 点
使用最后一个示例,即使您的数据框有奇怪的列,也可以使用itertuples()
。 见第 (4) 点
如果您不能使用以前的解决方案,请仅使用iterrows()
。 见第 (1) 点
在 Pandas 数据框中迭代行的不同方法:
生成一百万行四列的随机数据框:
df = pd.DataFrame(np.random.randint(0, 100, size=(1000000, 4)), columns=list('ABCD'))
print(df)
1) 常用的iterrows()
很方便,但是太慢了:
start_time = time.clock()
result = 0
for _, row in df.iterrows():
result += max(row['B'], row['C'])
total_elapsed_time = round(time.clock() - start_time, 2)
print("1. Iterrows done in seconds, result = ".format(total_elapsed_time, result))
2) 默认的itertuples()
已经快很多了,但它不适用于My Col-Name is very Strange
等列名(如果您的列重复或列名不能简单地转换为Python 变量名)。:
start_time = time.clock()
result = 0
for row in df.itertuples(index=False):
result += max(row.B, row.C)
total_elapsed_time = round(time.clock() - start_time, 2)
print("2. Named Itertuples done in seconds, result = ".format(total_elapsed_time, result))
3) 使用 name=None 的默认 itertuples()
更快,但不是很方便,因为您必须为每列定义一个变量。
start_time = time.clock()
result = 0
for(_, col1, col2, col3, col4) in df.itertuples(name=None):
result += max(col2, col3)
total_elapsed_time = round(time.clock() - start_time, 2)
print("3. Itertuples done in seconds, result = ".format(total_elapsed_time, result))
4) 最后,命名为itertuples()
比上一点要慢,但您不必为每列定义一个变量,它适用于诸如My Col-Name is very Strange
之类的列名。
start_time = time.clock()
result = 0
for row in df.itertuples(index=False):
result += max(row[df.columns.get_loc('B')], row[df.columns.get_loc('C')])
total_elapsed_time = round(time.clock() - start_time, 2)
print("4. Polyvalent Itertuples working even with special characters in the column name done in seconds, result = ".format(total_elapsed_time, result))
输出:
A B C D
0 41 63 42 23
1 54 9 24 65
2 15 34 10 9
3 39 94 82 97
4 4 88 79 54
... .. .. .. ..
999995 48 27 4 25
999996 16 51 34 28
999997 1 39 61 14
999998 66 51 27 70
999999 51 53 47 99
[1000000 rows x 4 columns]
1. Iterrows done in 104.96 seconds, result = 66151519
2. Named Itertuples done in 1.26 seconds, result = 66151519
3. Itertuples done in 0.94 seconds, result = 66151519
4. Polyvalent Itertuples working even with special characters in the column name done in 2.94 seconds, result = 66151519
This article is a very interesting comparison between iterrows and itertuples
【讨论】:
这应该是公认的答案【参考方案4】:这并不像我希望的那样简单。您需要使用 enumerate 来跟踪您有多少列。然后使用该计数器查找列的名称。接受的答案没有向您展示如何动态访问列名。
for row in df.itertuples(index=False, name=None):
for k,v in enumerate(row):
print("column: 0".format(df.columns.values[k]))
print("value: 0".format(v)
【讨论】:
【参考方案5】:for i in range(1,len(na_rm.columns)):
print ("column name:", na_rm.columns[i])
输出:
column name: seretide_price
column name: symbicort_mkt_shr
column name: symbicort_price
【讨论】:
写的太没用了,for循环可以直接在columns列表上迭代。以上是关于Python Pandas 遍历行并访问列名的主要内容,如果未能解决你的问题,请参考以下文章
遍历 pandas 数据框中的行并匹配列表中的元组并创建一个新的 df 列
pandas.DataFrame.loc好慢,怎么遍历访问DataFrame比较快