データフレームを複数のデータフレームに分割する

92

実験からのデータ（60人の回答者）を含む非常に大きなデータフレーム（約100万行）があります。

データフレームを60個のデータフレーム（各参加者のデータフレーム）に分割したいと思います。

データフレームdataには、'name'各参加者に固有のコードである、という変数があります。

以下を試しましたが、何も起こりません（または実行が1時間以内に停止しません）。私がやろうとしているのは、dataをより小さなデータフレームに分割し、それらをリストに追加することです（datalist）：

import pandas as pd

def splitframe(data, name='name'):
    
    n = data[name][0]

    df = pd.DataFrame(columns=data.columns)

    datalist = []

    for i in range(len(data)):
        if data[name][i] == n:
            df = df.append(data.iloc[i])
        else:
            datalist.append(df)
            df = pd.DataFrame(columns=data.columns)
            n = data[name][i]
            df = df.append(data.iloc[i])
        
    return datalist

エラーメッセージが表示されません。スクリプトは永久に実行されているようです。

それを行うための賢い方法はありますか？

python  split  pandas  dataframe 
— マーティンペトリバガー
ソース

回答:

53

まず、新しいエントリ用のスペースが不足している場合は定期的にリストを拡大する必要があるため、リストへの行ごとの追加が遅くなるため、アプローチは非効率的です。この点で、サイズが決定されるため、リストの理解が向上します。フロントと一度割り当てられます。

ただし、すでにデータフレームがあるため、基本的にアプローチは少し無駄だと思います。なぜこれらのユーザーごとに新しいデータフレームを作成するのでしょうか。

データフレームを列'name'で並べ替え、インデックスをthisに設定し、必要に応じて列を削除しません。

次に、すべての一意のエントリのリストを生成し、これらのエントリを使用してルックアップを実行できます。データをクエリするだけの場合は、選択基準を使用して、コストのかかるデータコピーを実行せずにデータフレームのビューを返します。

使用pandas.DataFrame.sort_valuesとpandas.DataFrame.set_index：

# sort the dataframe
df.sort_values(by='name', axis=1, inplace=True)

# set the index to be this and don't drop
df.set_index(keys=['name'], drop=False,inplace=True)

# get a list of names
names=df['name'].unique().tolist()

# now we can perform a lookup on a 'view' of the dataframe
joe = df.loc[df.name=='joe']

# now you can query all 'joes'
— EdChum
ソース
74

データフレームをスライスするだけでそれを行わない理由を尋ねることはできますか？何かのようなもの

#create some data with Names column
data = pd.DataFrame({'Names': ['Joe', 'John', 'Jasper', 'Jez'] *4, 'Ob1' : np.random.rand(16), 'Ob2' : np.random.rand(16)})

#create unique list of names
UniqueNames = data.Names.unique()

#create a data frame dictionary to store your data frames
DataFrameDict = {elem : pd.DataFrame for elem in UniqueNames}

for key in DataFrameDict.keys():
    DataFrameDict[key] = data[:][data.Names == key]

ねえ、あなたは（私が思うに）あなたが望むのと同じようにデータフレームの辞書を持っています。アクセスする必要がありますか？入力するだけです

DataFrameDict['Joe']

お役に立てば幸いです

— ウッディプライド
ソース
38

groupbyオブジェクトをに変換してtuplesからdict：に変換できます。

df = pd.DataFrame({'Name':list('aabbef'),
                   'A':[4,5,4,5,5,4],
                   'B':[7,8,9,4,2,3],
                   'C':[1,3,5,7,1,0]}, columns = ['Name','A','B','C'])

print (df)
  Name  A  B  C
0    a  4  7  1
1    a  5  8  3
2    b  4  9  5
3    b  5  4  7
4    e  5  2  1
5    f  4  3  0

d = dict(tuple(df.groupby('Name')))
print (d)
{'b':   Name  A  B  C
2    b  4  9  5
3    b  5  4  7, 'e':   Name  A  B  C
4    e  5  2  1, 'a':   Name  A  B  C
0    a  4  7  1
1    a  5  8  3, 'f':   Name  A  B  C
5    f  4  3  0}

print (d['a'])
  Name  A  B  C
0    a  4  7  1
1    a  5  8  3

推奨されていませんが、グループごとにDataFrameを作成することは可能です。

for i, g in df.groupby('Name'):
    globals()['df_' + str(i)] =  g

print (df_a)
  Name  A  B  C
0    a  4  7  1
1    a  5  8  3
— イズレエル
ソース
16

Groupbyはあなたを助けることができます：

grouped = data.groupby(['name'])

次に、各参加者のデータフレームのように、各グループで作業できます。また、（apply、transform、aggregate、head、first、last）などのDataFrameGroupByオブジェクトメソッドは、DataFrameオブジェクトを返します。

またはgrouped、インデックスからすべてのDataFrameからリストを作成し、取得することもできます。

l_grouped = list(grouped)

l_grouped[0][1] -名を持つ最初のグループのDataFrame。

— グセフスラヴァ
ソース
7

Gusev Slavaの回答に加えて、groupbyのグループを使用することをお勧めします。

{key: df.loc[value] for key, value in df.groupby("name").groups.items()}

これにより、対応するパーティションを指す、グループ化したキーを含む辞書が生成されます。利点は、キーが維持され、リストインデックスで消えないことです。

— Quickbeam2k1
ソース
3 
In [28]: df = DataFrame(np.random.randn(1000000,10))

In [29]: df
Out[29]: 
<class 'pandas.core.frame.DataFrame'>
Int64Index: 1000000 entries, 0 to 999999
Data columns (total 10 columns):
0    1000000  non-null values
1    1000000  non-null values
2    1000000  non-null values
3    1000000  non-null values
4    1000000  non-null values
5    1000000  non-null values
6    1000000  non-null values
7    1000000  non-null values
8    1000000  non-null values
9    1000000  non-null values
dtypes: float64(10)

In [30]: frames = [ df.iloc[i*60:min((i+1)*60,len(df))] for i in xrange(int(len(df)/60.) + 1) ]

In [31]: %timeit [ df.iloc[i*60:min((i+1)*60,len(df))] for i in xrange(int(len(df)/60.) + 1) ]
1 loops, best of 3: 849 ms per loop

In [32]: len(frames)
Out[32]: 16667

これがグループバイの方法です（合計ではなく任意の適用を行うことができます）

In [9]: g = df.groupby(lambda x: x/60)

In [8]: g.sum()    

Out[8]: 
<class 'pandas.core.frame.DataFrame'>
Int64Index: 16667 entries, 0 to 16666
Data columns (total 10 columns):
0    16667  non-null values
1    16667  non-null values
2    16667  non-null values
3    16667  non-null values
4    16667  non-null values
5    16667  non-null values
6    16667  non-null values
7    16667  non-null values
8    16667  non-null values
9    16667  non-null values
dtypes: float64(10)

Sumはcythonizedであるため、これは非常に高速です

In [10]: %timeit g.sum()
10 loops, best of 3: 27.5 ms per loop

In [11]: %timeit df.groupby(lambda x: x/60)
1 loops, best of 3: 231 ms per loop
— ジェフ
ソース
1

リスト内包表記に基づく方法と groupby-すべての分割データフレームをリスト変数に格納し、インデックスを使用してアクセスできます。

例

ans = [pd.DataFrame(y) for x, y in DF.groupby('column_name', as_index=False)]

ans[0]
ans[0].column_name
— ラム・プラジャパティ
ソース
1
  • まず、OPのメソッドは機能しますが、効率的ではありません。データセットが長かったため、永久に実行されているように見えた可能性があります。
  • 使用.groupby上の'method'列、および作成dictのDataFramesユニークなと'method'で、キーとして値をdict-comprehension。
    • .groupbygroupbyグループに関する情報を含むオブジェクトを返します。ここで、gは'method'各グループの一意の値でdあり、DataFrameはそのグループのです。
  • のvalueそれぞれのkeyはdf_dict、になりDataFrame、標準的な方法でアクセスできますdf_dict['key']。
  • 元の質問は、望んでいたlistのDataFramesAで行うことができ、list-comprehension
    • df_list = [d for _, d in df.groupby('method')]
import pandas as pd
import seaborn as sns  # for test dataset

# load data for example
df = sns.load_dataset('planets')

# display(df.head())
            method  number  orbital_period   mass  distance  year
0  Radial Velocity       1         269.300   7.10     77.40  2006
1  Radial Velocity       1         874.774   2.21     56.95  2008
2  Radial Velocity       1         763.000   2.60     19.84  2011
3  Radial Velocity       1         326.030  19.40    110.62  2007
4  Radial Velocity       1         516.220  10.50    119.47  2009


# Using a dict-comprehension, the unique 'method' value will be the key
df_dict = {g: d for g, d in df.groupby('method')}

print(df_dict.keys())
[out]:
dict_keys(['Astrometry', 'Eclipse Timing Variations', 'Imaging', 'Microlensing', 'Orbital Brightness Modulation', 'Pulsar Timing', 'Pulsation Timing Variations', 'Radial Velocity', 'Transit', 'Transit Timing Variations'])

# or a specific name for the key, using enumerate (e.g. df1, df2, etc.)
df_dict = {f'df{i}': d for i, (g, d) in enumerate(df.groupby('method'))}

print(df_dict.keys())
[out]:
dict_keys(['df0', 'df1', 'df2', 'df3', 'df4', 'df5', 'df6', 'df7', 'df8', 'df9'])
  • df_dict['df1].head(3) または df_dict['Astrometry'].head(3)
  • このグループには2つしかありません
         method  number  orbital_period  mass  distance  year
113  Astrometry       1          246.36   NaN     20.77  2013
537  Astrometry       1         1016.00   NaN     14.98  2010
  • df_dict['df2].head(3) または df_dict['Eclipse Timing Variations'].head(3)
                       method  number  orbital_period  mass  distance  year
32  Eclipse Timing Variations       1         10220.0  6.05       NaN  2009
37  Eclipse Timing Variations       2          5767.0   NaN    130.72  2008
38  Eclipse Timing Variations       2          3321.0   NaN    130.72  2008
  • df_dict['df3].head(3) または df_dict['Imaging'].head(3)
     method  number  orbital_period  mass  distance  year
29  Imaging       1             NaN   NaN     45.52  2005
30  Imaging       1             NaN   NaN    165.00  2007
31  Imaging       1             NaN   NaN    140.00  2004

あるいは

  • これは、パンダDataFramesを使用して個別に作成する手動の方法です。ブールインデックス
  • これは受け入れられた回答に似ていますが、.loc必須ではありません。
  • これは、いくつかの追加を作成するための許容可能な方法ですDataFrames。
  • 複数のオブジェクトを作成するニシキヘビの方法は、（例えば、容器内に置くことによるdict、list、generator上記のように、など）。
df1 = df[df.method == 'Astrometry']
df2 = df[df.method == 'Eclipse Timing Variations']
— トレントン・マッキニー
ソース
0

データのラベルがすでにある場合は、groupbyコマンドを使用できます。 

 out_list = [group[1] for group in in_series.groupby(label_series.values)]

詳細な例を次に示します。

いくつかのラベルを使用してpdシリーズをチャンクのリストに分割するとします。たとえば、in_series次のようになります。

2019-07-01 08:00:00   -0.10
2019-07-01 08:02:00    1.16
2019-07-01 08:04:00    0.69
2019-07-01 08:06:00   -0.81
2019-07-01 08:08:00   -0.64
Length: 5, dtype: float64

そしてそれに対応するものlabel_seriesは：

2019-07-01 08:00:00   1
2019-07-01 08:02:00   1
2019-07-01 08:04:00   2
2019-07-01 08:06:00   2
2019-07-01 08:08:00   2
Length: 5, dtype: float64

実行 

out_list = [group[1] for group in in_series.groupby(label_series.values)]

これは2つのうちのout_listaを返します：listpd.Series

[2019-07-01 08:00:00   -0.10
2019-07-01 08:02:00   1.16
Length: 2, dtype: float64,
2019-07-01 08:04:00    0.69
2019-07-01 08:06:00   -0.81
2019-07-01 08:08:00   -0.64
Length: 3, dtype: float64]

in_seriesそれ自体からいくつかのパラメータを使用して、シリーズをグループ化できることに注意してください。in_series.index.day

— idnavid
ソース
-1

私も同様の問題を抱えていました。10の異なる店舗と50の異なるアイテムの日次販売の時系列がありました。元のデータフレームを500データフレーム（10ストア* 50ストア）に分割して、それぞれに機械学習モデルを適用する必要がありましたが、手動で行うことはできませんでした。

これはデータフレームの先頭です。

データフレームのヘッド：df

2つのリストを作成しました。1つはデータフレームの名前用で、もう1つは配列[item_number、store_number]のカップル用です。

    list=[]
    for i in range(1,len(items)*len(stores)+1):
    global list
    list.append('df'+str(i))

    list_couple_s_i =[]
    for item in items:
          for store in stores:
                  global list_couple_s_i
                  list_couple_s_i.append([item,store])

そして、2つのリストの準備ができたら、それらをループして、必要なデータフレームを作成できます。

         for name, it_st in zip(list,list_couple_s_i):
                   globals()[name] = df.where((df['item']==it_st[0]) & 
                                                (df['store']==(it_st[1])))
                   globals()[name].dropna(inplace=True)

このようにして、500個のデータフレームを作成しました。

これがお役に立てば幸いです。

— ルイージ・ブンガロ
ソース
弊社のサイトを使用することにより、あなたは弊社のクッキーポリシーおよびプライバシーポリシーを読み、理解したものとみなされます。
Licensed under cc by-sa 3.0 with attribution required.