Python SQL交叉应用的新版本

假设我们有一个数据帧

df

df = pd.DataFrame({
    "Id": [1, 2],
    "Value": [2, 5]
})

df
    Id  Value
0   1   2
1   2   5

还有一些函数

f

，它接受

df

元素并返回一个数据帧

def f(value):
    return pd.DataFrame({"A": range(10, 10 + value), "B": range(20, 20 + value)})

f(2)
    A   B
0   10  20
1   11  21

我们希望将

f

应用于

df[“Value”]

中的每个元素，并将结果连接到

df

，如下所示：

    Id  Value   A   B
0   1   2       10  20
1   1   2       11  21
2   2   5       10  20
2   2   5       11  21
2   2   5       12  22
2   2   5       13  23
2   2   5       14  24

在T-SQL中，使用表

df

和表值函数

f

，我们可以通过交叉应用来实现这一点：

SELECT * FROM df
CROSS APPLY f(df.Value)

---

我们如何在

pandas

中做到这一点？

您可以将该函数应用于列表理解中

Value

中的每个元素，并用于连接所有生成的数据帧。同时分配相应的

Id

，以便以后可以将其用于两个数据帧：

l = pd.concat([f(row.Value).assign(Id=row.Id) for _, row in df.iterrows()])
df.merge(l, on='Id')

   Id   Value  A   B
0   1      2  10  20
1   1      2  11  21
2   2      5  10  20
3   2      5  11  21
4   2      5  12  22
5   2      5  13  23
6   2      5  14  24

---

我会使用的少数案例之一。我们可以迭代每一行，使用原始数据帧从函数中提取笛卡尔积，同时使用和

fillna

：

---

---

这将产生：

print(df)
    A   B   Id  Value
0  10  20  1.0    2.0
1  11  21  1.0    2.0
2  10  20  2.0    5.0
3  11  21  2.0    5.0
4  12  22  2.0    5.0
5  13  23  2.0    5.0
6  14  24  2.0    5.0

---

可靠的回答。我对来自不同时间段的类似文件使用了这种方法，将数据聚合到一个大型数据结构中。谢谢——我本来打算使用这样的方法，但我认为可能有一种方法。不知道

分配

——handy。不客气@Denziloe！不要忘记，如果它为您解决了问题，您可以接受：）

print(df)
    A   B   Id  Value
0  10  20  1.0    2.0
1  11  21  1.0    2.0
2  10  20  2.0    5.0
3  11  21  2.0    5.0
4  12  22  2.0    5.0
5  13  23  2.0    5.0
6  14  24  2.0    5.0