Python 通过删除缺少的元素来压缩数据帧
问题 我有一个如下所示的数据帧:Python 通过删除缺少的元素来压缩数据帧,python,pandas,numpy,Python,Pandas,Numpy,问题 我有一个如下所示的数据帧: Key Var ID_1 Var_1 ID_2 Var_2 ID_3 Var_3 1 True 1.0 True NaN NaN 5.0 True 2 True NaN NaN 4.0 False 7.0 True 3 False 2.0 False 5.0 True NaN NaN 每行正好有2个非空数据集(ID/Var),剩余的第三个数据集保证为空。我想做的是通过删除缺少的元
Key Var ID_1 Var_1 ID_2 Var_2 ID_3 Var_3
1 True 1.0 True NaN NaN 5.0 True
2 True NaN NaN 4.0 False 7.0 True
3 False 2.0 False 5.0 True NaN NaN
每行正好有2个非空数据集(ID/Var),剩余的第三个数据集保证为空。我想做的是通过删除缺少的元素来“压缩”数据帧
所需输出
Key Var First_ID First_Var Second_ID Second_Var
1 True 1 True 5 True
2 True 4 False 7 True
3 False 2 False 5 True
只要保持Id/Var对,排序就不重要
当前解决方案 以下是我的工作解决方案:
import pandas as pd
import numpy as np
data = pd.DataFrame({'Key': [1, 2, 3], 'Var': [True, True, False], 'ID_1':[1, np.NaN, 2],
'Var_1': [True, np.NaN, False], 'ID_2': [np.NaN, 4, 5], 'Var_2': [np.NaN, False, True],
'ID_3': [5, 7, np.NaN], 'Var_3': [True, True, np.NaN]})
sorted_columns = ['Key', 'Var', 'ID_1', 'Var_1', 'ID_2', 'Var_2', 'ID_3', 'Var_3']
data = data[sorted_columns]
output = np.empty(shape=[data.shape[0], 6], dtype=str)
for i, *row in data.itertuples():
output[i] = [element for element in row if np.isfinite(element)]
print(output)
[['1' 'T' '1' 'T' '5' 'T']
['2' 'T' '4' 'F' '7' 'T']
['3' 'F' '2' 'F' '5' 'T']]
这是可以接受的,但并不理想。我可以忍受没有列名,但我的大问题是必须将数组中的数据转换为字符串,以避免布尔值转换为数字
是否有其他解决方案能够更好地保存数据?如果结果是熊猫数据帧,则可获得额外积分。有一个简单的解决方案,即向右推动NAN,然后将NAN放置在轴1上。i、 e
ndf = data.apply(lambda x : sorted(x,key=pd.isnull),1).dropna(1)
输出:
Key Var ID_1 Var_1 ID_2 Var_2
0 1 True 1 True 5 True
1 2 True 4 False 7 True
2 3 False 2 False 5 True
键变量ID_1变量ID_2变量2
0 1真1真5真
1 2正确4错误7正确
2 3假2假5真
这很聪明+1这很管用——虽然没有numpy解决方案快,但它确实保留了数据的原始格式。如果您在问题中添加numpy标记,这样numpy专家可能会给出更快的答案,那就太好了。@ZachTurn好了,这就是一个保留数据的numpy解决方案。
def mask_app(a):
out = np.full(a.shape,np.nan,dtype=a.dtype)
mask = ~np.isnan(a.astype(float))
out[np.sort(mask,1)[:,::-1]] = a[mask]
return out
ndf = pd.DataFrame(mask_app(data.values),columns=data.columns).dropna(1)
Key Var ID_1 Var_1 ID_2 Var_2
0 1 True 1 True 5 True
1 2 True 4 False 7 True
2 3 False 2 False 5 True