python - query - Como iterar sobre linhas em um DataFrame em Pandas?




python pandas query filter (10)

Eu tenho um DataFrame de pandas:

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

Saída:

   c1   c2
0  10  100
1  11  110
2  12  120

Agora eu quero iterar sobre as linhas deste quadro. Para cada linha, quero poder acessar seus elementos (valores nas células) pelo nome das colunas. Por exemplo:

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

É possível fazer isso em pandas?

Eu encontrei essa pergunta semelhante . Mas isso não me dá a resposta que eu preciso. Por exemplo, sugere-se que use:

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

ou

for row in df.iterrows():

Mas eu não entendo o que é o objeto de row e como posso trabalhar com ele.


Enquanto iterrows() é uma boa opção, às vezes itertuples() pode ser muito mais rápido:

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

Eu estava procurando como iterar em linhas e colunas e terminou aqui assim:

for i, row in df.iterrows():
    for j, column in row.iteritems():
        print(column)

Para fazer o loop de todas as linhas em um dataframe e usar valores de cada linha convenientemente , namedtuples podem ser convertidos em ndarray s. Por exemplo:

df = pd.DataFrame({'col1': [1, 2], 'col2': [0.1, 0.2]}, index=['a', 'b'])

Iterando as linhas:

for row in df.itertuples(index=False, name='Pandas'):
    print np.asarray(row)

resulta em:

[ 1.   0.1]
[ 2.   0.2]

Por favor, note que se index=True , o índice é adicionado como o primeiro elemento da tupla , o que pode ser indesejável para algumas aplicações.


Para fazer o loop de todas as linhas em um dataframe você pode usar:

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

Por que complicar as coisas?

Simples.

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']

Somando-se às respostas acima, às vezes um padrão útil é:

# 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)

O que resulta em:

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

Você pode escrever seu próprio iterador que 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)

Isso é diretamente comparável ao pd.DataFrame.itertuples . Estou com o objetivo de realizar a mesma tarefa com mais eficiência.

Para o dataframe fornecido com minha função:

list(myiter(df))

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

Ou com pd.DataFrame.itertuples :

list(df.itertuples(index=False))

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

Um teste abrangente
Testamos a disponibilização de todas as colunas e o subconjunto das colunas.

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);


Você pode usar a função df.iloc da seguinte maneira:

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

Você também pode usar df.apply() para percorrer as linhas e acessar várias colunas para uma função.

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)





dataframe