python - two - Come eseguire iterazioni su righe in un DataFrame in Pandas?




union pandas dataframes (10)

È possibile utilizzare la funzione df.iloc come segue:

for i in range(0, len(df)):
    print df.iloc[i]['c1'], df.iloc[i]['c2']

Ho un DataFrame dei panda:

import pandas as pd
inp = [{'c1':10, 'c2':100}, {'c1':11,'c2':110}, {'c1':12,'c2':120}]
df = pd.DataFrame(inp)
print df

Produzione:

   c1   c2
0  10  100
1  11  110
2  12  120

Ora voglio scorrere le righe di questo frame. Per ogni riga voglio poter accedere ai suoi elementi (valori nelle celle) con il nome delle colonne. Per esempio:

for row in df.rows:
   print row['c1'], row['c2']

È possibile farlo nei panda?

Ho trovato questa domanda simile . Ma non mi dà la risposta di cui ho bisogno. Ad esempio, si suggerisce di usare:

for date, row in df.T.iteritems():

o

for row in df.iterrows():

Ma non capisco cosa sia l'oggetto row e come posso lavorarci.


Aggiungendo alle risposte sopra, a volte un modello utile è:

# Borrowing @KutalmisB df example
df = pd.DataFrame({'col1': [1, 2], 'col2': [0.1, 0.2]}, index=['a', 'b'])
# The to_dict call results in a list of dicts
# where each row_dict is a dictionary with k:v pairs of columns:value for that row
for row_dict in df.to_dict(orient='records'):
    print(row_dict)

Quale risulta in:

{'col1':1.0, 'col2':0.1}
{'col1':2.0, 'col2':0.2}

Mentre iterrows() è una buona opzione, a volte itertuples() può essere molto più veloce:

df = pd.DataFrame({'a': randn(1000), 'b': randn(1000),'N': randint(100, 1000, (1000)), 'x': 'x'})

%timeit [row.a * 2 for idx, row in df.iterrows()]
# => 10 loops, best of 3: 50.3 ms per loop

%timeit [row[1] * 2 for row in df.itertuples()]
# => 1000 loops, best of 3: 541 µs per loop

Per dataframe ciclo di tutte le righe in un dataframe è possibile utilizzare:

for x in range(len(date_example.index)):
    print date_example['Date'].iloc[x]

Per scorrere la riga di DataFrame nei panda si può usare:

itertuples() dovrebbe essere più veloce di iterrows()

Ma attenzione, secondo i documenti (panda 0.21.1 al momento):

  • iterrows: dtype potrebbe non corrispondere da una riga all'altra

    Poiché iterrows restituisce una serie per ogni riga, non conserva i dtypes attraverso le righe (i dtypes sono conservati tra le colonne per DataFrame).

  • iterrows: non modificare le righe

    Non si dovrebbe mai modificare qualcosa su cui si sta iterando. Non è garantito che funzioni in tutti i casi. A seconda dei tipi di dati, l'iteratore restituisce una copia e non una vista e la scrittura su di essa non avrà alcun effetto.

    Utilizza invece DataFrame.apply() :

    new_df = df.apply(lambda x: x * 2)
    
  • itertuples:

    I nomi delle colonne saranno rinominati in nomi posizionali se sono identificativi Python non validi, ripetuti o iniziano con un carattere di sottolineatura. Con un numero elevato di colonne (> 255), vengono restituite tuple regolari.


Perché complicare le cose?

Semplice.

import pandas as pd
import numpy as np

# Here is an example dataframe
df_existing = pd.DataFrame(np.random.randint(0,100,size=(100, 4)), columns=list('ABCD'))

for idx,row in df_existing.iterrows():
    print row['A'],row['B'],row['C'],row['D']

Puoi anche usare df.apply() per df.apply() righe e accedere a più colonne per una funzione.

DataFrame.apply()

def valuation_formula(x, y):
    return x * y * 0.5

df['price'] = df.apply(lambda row: valuation_formula(row['x'], row['y']), axis=1)

Puoi scrivere il tuo iteratore che implementa namedtuple

from collections import namedtuple

def myiter(d, cols=None):
    if cols is None:
        v = d.values.tolist()
        cols = d.columns.values.tolist()
    else:
        j = [d.columns.get_loc(c) for c in cols]
        v = d.values[:, j].tolist()

    n = namedtuple('MyTuple', cols)

    for line in iter(v):
        yield n(*line)

Questo è direttamente comparabile a pd.DataFrame.itertuples . Sto puntando a eseguire lo stesso compito con maggiore efficienza.

Per il dato dataframe con la mia funzione:

list(myiter(df))

[MyTuple(c1=10, c2=100), MyTuple(c1=11, c2=110), MyTuple(c1=12, c2=120)]

Oppure con pd.DataFrame.itertuples :

list(df.itertuples(index=False))

[Pandas(c1=10, c2=100), Pandas(c1=11, c2=110), Pandas(c1=12, c2=120)]

Un test completo
Testiamo rendendo tutte le colonne disponibili e sottostanti le colonne.

def iterfullA(d):
    return list(myiter(d))

def iterfullB(d):
    return list(d.itertuples(index=False))

def itersubA(d):
    return list(myiter(d, ['col3', 'col4', 'col5', 'col6', 'col7']))

def itersubB(d):
    return list(d[['col3', 'col4', 'col5', 'col6', 'col7']].itertuples(index=False))

res = pd.DataFrame(
    index=[10, 30, 100, 300, 1000, 3000, 10000, 30000],
    columns='iterfullA iterfullB itersubA itersubB'.split(),
    dtype=float
)

for i in res.index:
    d = pd.DataFrame(np.random.randint(10, size=(i, 10))).add_prefix('col')
    for j in res.columns:
        stmt = '{}(d)'.format(j)
        setp = 'from __main__ import d, {}'.format(j)
        res.at[i, j] = timeit(stmt, setp, number=100)

res.groupby(res.columns.str[4:-1], axis=1).plot(loglog=True);


Usa itertuples () . È più veloce di iterrows () :

for row in df.itertuples():
    print "c1 :",row.c1,"c2 :",row.c2

iterrows è un generatore che produce sia indice che riga

for index, row in df.iterrows():
   print row['c1'], row['c2']

Output: 
   10 100
   11 110
   12 120




dataframe