python - تقطيع عمود Dataframe بناءً على طول السلاسل




pandas (4)

أرغب في إزالة الأحرف الثلاثة الأولى من السلاسل في عمود Dataframe حيث يكون طول السلسلة أكبر من 4

إذا كان يجب عليهم أن يظلوا على حالهم.

على سبيل المثال

bloomberg_ticker_y

AIM9
DJEM9 # (should be M9)
FAM9
IXPM9 # (should be M9)

يمكنني تصفية السلاسل حسب الطول:

merged['bloomberg_ticker_y'].str.len() > 4

وشريحة الاوتار:

merged['bloomberg_ticker_y'].str[-2:]

لكن لست متأكدًا من كيفية وضع هذا معًا وتطبيقه على قاعدة البيانات الخاصة بي

سيكون موضع تقدير أي مساعدة.


شاهدت مجموعة كبيرة ومتنوعة من الإجابات ، لذلك قررت مقارنتها من حيث السرعة:

# Create big size test dataframe
df = pd.DataFrame({'bloomberg_ticker_y' : ['AIM9', 'DJEM9', 'FAM9', 'IXPM9']})
df = pd.concat([df]*100000)
df.shape

#Out
(400000, 1)

np.where # 1 np.where

%%timeit 
np.where(df['bloomberg_ticker_y'].str.len() > 4, 
         df['bloomberg_ticker_y'].str[3:], 
         df['bloomberg_ticker_y'])

نتيجة:

163 ms ± 12.8 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

CS95 # 2 الموجه حل map مقرها

%%timeit 
df['bloomberg_ticker_y'].map(lambda x: x[3:] if len(x) > 4 else x)

نتيجة:

86 ms ± 7.31 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

Yatu DataFrame.mask

%%timeit
df.bloomberg_ticker_y.mask(df.bloomberg_ticker_y.str.len().gt(4), 
                           other=df.bloomberg_ticker_y.str[-2:])

نتيجة:

187 ms ± 18.7 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

list comprehension Vlemaistre list comprehension

%%timeit
[x[-2:] if len(x)>4 else x for x in df['bloomberg_ticker_y']]

نتيجة:

84.8 ms ± 4.85 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

stault str.replace with regex

%%timeit
df["bloomberg_ticker_y"].str.replace(r".{3,}(?=.{2}$)", "")

نتيجة:

324 ms ± 17.4 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

كوبرا DataFrame.apply

%%timeit
df.apply(lambda x: (x['bloomberg_ticker_y'][3:] if len(x['bloomberg_ticker_y']) > 4 else x['bloomberg_ticker_y']) , axis=1)

نتيجة:

6.83 s ± 387 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

استنتاج

  • أسرع طريقة هي list comprehension التي تتبعها عن كثب عن طريق map حل متجه.

  • أبطأ طريقة هي DataFrame.apply حد بعيد (كما هو متوقع) متبوعة str.replace بـ regex


طريقة أخرى هي استخدام التعبيرات العادية:

df["bloomberg_ticker_y"].str.replace(r".{3,}(?=.{2}$)", "")
#0    AIM9
#1      M9
#2    FAM9
#3      M9

يعني النمط:

  • .{3,} : تطابق 3 أحرف أو أكثر
  • (?=.{2}$) : نظرة إيجابية إلى الأمام لشخصين بالضبط متبوعة بنهاية السلسلة.

يمكنك استخدام DataFrame.mask :

df['bloomberg_ticker_y'] = (df.bloomberg_ticker_y.mask(
                                      df.bloomberg_ticker_y.str.len().gt(4), 
                                      other=df.bloomberg_ticker_y.str[-2:]))

       bloomberg_ticker_y
0               AIM9
1                 M9
2               FAM9
3                 M9

يمكنك استخدام numpy.where لتطبيق شرط لاختيار الشرائح بناءً على طول السلسلة.

np.where(df['bloomberg_ticker_y'].str.len() > 4, 
         df['bloomberg_ticker_y'].str[3:], 
         df['bloomberg_ticker_y'])
# array(['AIM9', 'M9', 'FAM9', 'M9'], dtype=object)

df['bloomberg_ticker_sliced'] = (
   np.where(df['bloomberg_ticker_y'].str.len() > 4, 
            df['bloomberg_ticker_y'].str[3:], 
            df['bloomberg_ticker_y']))
df
  bloomberg_ticker_y bloomberg_ticker_sliced
0               AIM9                    AIM9
1              DJEM9                      M9
2               FAM9                    FAM9
3              IXPM9                      M9

إذا كنت تتوهم حلًا قائمًا على map متجهة ، فهو كذلك

df['bloomberg_ticker_y'].map(lambda x: x[3:] if len(x) > 4 else x)

0    AIM9
1      M9
2    FAM9
3      M9
Name: bloomberg_ticker_y, dtype: object




pandas