Pandas 反向循环数据帧行

我试图以相反的顺序循环数据帧行

基于行位置而不是索引名

我认为这个代码应该可以工作，但它不是

for i, row in enumerate(df[::-1].iterrows()):  
    print (i)

当我运行它时，它会产生

0
1
2
3
4
5

而不是

5
4
3
2
1
0

---

关于如何使用问题的

iterrows（）

的注释提供了反向循环通过

DataFrame

行的答案。为了简单起见，它还引入了使用列表理解的思想

对于越来越大的数据集，将遇到性能和内存问题。有一种更有效的方法可以反向访问

数据帧中的数据

以下内容有助于为新用户提供指导。要点是将dataframe索引标签放入一列中，该列将创建一个有序的新索引，保留行位置，因此可以反转

import pandas as pd
import numpy as np
import timeit
print(pd.__version__)

# random dataframe, provides ordered rangeindex
df = pd.DataFrame(np.random.randint(0,1000,size=(1000, 4)), columns=list('ABCD'))
# toss the ordered rangeindex and make the random 'A' the index
df.set_index(['A'], inplace=True)
# df is now a dataframe with an unordered index

def iterate(df):
    for i,r in df[::-1].iterrows():
        # process
        pass

def sort_and_apply(df):
    # apply order to the index by resetting it to a column
    # this indicates original row position by create a rangeindex.
    # (this also copies the dataframe, critically slowing down this function 
    # which is still much faster than iterate()).
    new_df = df.reset_index()

    # sort on the newly applied rangeindex and process
    new_df.sort_index(ascending=False).apply(lambda x:x)

if __name__ == '__main__':
    print("iterate ", timeit.timeit("iterate(df)", setup="from __main__ import iterate, df", number=50))
    print("sort_and_apply ",timeit.timeit("sort_and_apply(df)", setup="from __main__ import sort_and_apply, df", number=50))


产生

0.24.2
iterate  2.893160949
sort_and_apply  0.12744747599999995

关于如何使用问题的
iterrows（）
的注释提供了反向循环通过
DataFrame
行的答案。为了简单起见，它还引入了使用列表理解的思想

对于越来越大的数据集，将遇到性能和内存问题。有一种更有效的方法可以反向访问
数据帧中的数据

以下内容有助于为新用户提供指导。要点是将dataframe索引标签放入一列中，该列将创建一个有序的新索引，保留行位置，因此可以反转

import pandas as pd
import numpy as np
import timeit
print(pd.__version__)

# random dataframe, provides ordered rangeindex
df = pd.DataFrame(np.random.randint(0,1000,size=(1000, 4)), columns=list('ABCD'))
# toss the ordered rangeindex and make the random 'A' the index
df.set_index(['A'], inplace=True)
# df is now a dataframe with an unordered index

def iterate(df):
    for i,r in df[::-1].iterrows():
        # process
        pass

def sort_and_apply(df):
    # apply order to the index by resetting it to a column
    # this indicates original row position by create a rangeindex.
    # (this also copies the dataframe, critically slowing down this function 
    # which is still much faster than iterate()).
    new_df = df.reset_index()

    # sort on the newly applied rangeindex and process
    new_df.sort_index(ascending=False).apply(lambda x:x)

if __name__ == '__main__':
    print("iterate ", timeit.timeit("iterate(df)", setup="from __main__ import iterate, df", number=50))
    print("sort_and_apply ",timeit.timeit("sort_and_apply(df)", setup="from __main__ import sort_and_apply, df", number=50))


产生

0.24.2
iterate  2.893160949
sort_and_apply  0.12744747599999995

如果你接受重新编制索引，你也可以这样做

for i, row in enumerate(df.reindex().sort_index(ascending=False):  
    print (i)

如果你接受重新编制索引，你也可以这样做

for i, row in enumerate(df.reindex().sort_index(ascending=False):  
    print (i)

尝试使用
[i for i，r in df[：：-1].iterrows（）]
给出：
[3,2,1,0]
基本上摆脱
枚举（）
尝试使用
[i for i，r in df[：-1].iterrows（）
给出：
[3,2,1,0]
基本上摆脱
枚举（）