Python 追加数据帧中所有行的单词或字符列表
有没有一种方法可以在不使用“for”循环的情况下附加数据帧中不同行中的列表 我可以通过使用“for”循环来实现这一点,但我希望以更有效的方式实现这一点,可能不需要使用“for”循环Python 追加数据帧中所有行的单词或字符列表,python,pandas,Python,Pandas,有没有一种方法可以在不使用“for”循环的情况下附加数据帧中不同行中的列表 我可以通过使用“for”循环来实现这一点,但我希望以更有效的方式实现这一点,可能不需要使用“for”循环 d = {'col1': [1,2,3,4,5], 'col2': [['a'],['a','b','c'],['d'],['e'],['a','e','d']]} df = pd.DataFrame(data=d) word_list = [] for i in df['col2']: word_list =
d = {'col1': [1,2,3,4,5], 'col2': [['a'],['a','b','c'],['d'],['e'],['a','e','d']]}
df = pd.DataFrame(data=d)
word_list = []
for i in df['col2']:
word_list = word_list + i
我想得到这样一个输出列表:['a','a','b','c','d','e','a','e','d']找不到重复,列表的总和将返回一个组合列表
df.col2.sum()
['a', 'a', 'b', 'c', 'd', 'e', 'a', 'e', 'd']
或者使用Numpy
np.sum(df.col2.values)
一种方法是使用
panda
的sum
函数:
In [1]: import pandas as pd
...: d = {'col1': [1,2,3,4,5], 'col2': [['a'],['a','b','c'],['d'],['e'],['a','e','d']]}
...: df = pd.DataFrame(data=d)
In [2]: df['col2'].sum()
Out[2]: ['a', 'a', 'b', 'c', 'd', 'e', 'a', 'e', 'd']
但是,itertools.chain.from\u iterable
要快得多:
In [3]: import itertools
...: list(itertools.chain.from_iterable(df['col2']))
Out[3]: ['a', 'a', 'b', 'c', 'd', 'e', 'a', 'e', 'd']
In [4]: %timeit df['col2'].sum()
92.7 µs ± 1.03 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)
In [5]: %timeit list(itertools.chain.from_iterable(df['col2']))
20.4 µs ± 2.62 µs per loop (mean ± std. dev. of 7 runs, 100000 loops each)
在我的测试中,itertools.chain.from\u iterable
对于较大的数据帧(~1000行)可以快30倍。另一个选择是
import functools
import operator
functools.reduce(operator.iadd, df['col2'], [])
它的速度几乎与itertools.chain.from\u iterable一样快。我为张贴的所有答案制作了一张图表:
(x轴是数据帧的长度)
如您所见,使用sum
或functools.reduce
和运算符的所有操作都不可用,而np.concat
稍好一些。然而,目前的三大赢家是itertool.chain
,itertool.chain.from\u iterable
,以及functools.reduce
withoperators.iadd
。他们几乎不花时间。以下是用于生成绘图的代码:
import functools
import itertools
import operator
import random
import string
import numpy as np
import pandas as pd
import perfplot # see https://github.com/nschloe/perfplot for this awesome library
def gen_data(n):
return pd.DataFrame(data={0: [
[random.choice(string.ascii_lowercase) for _ in range(random.randint(10, 20))]
for _ in range(n)
]})
def pd_sum(df):
return df[0].sum()
def np_sum(df):
return np.sum(df[0].values)
def np_concat(df):
return np.concatenate(df[0]).tolist()
def functools_reduce_add(df):
return functools.reduce(operator.add, df[0].values)
def functools_reduce_iadd(df):
return functools.reduce(operator.iadd, df[0], [])
def itertools_chain(df):
return list(itertools.chain(*(df[0])))
def itertools_chain_from_iterable(df):
return list(itertools.chain.from_iterable(df[0]))
perfplot.show(
setup=gen_data,
kernels=[
pd_sum,
np_sum,
np_concat,
functools_reduce_add,
functools_reduce_iadd,
itertools_chain,
itertools_chain_from_iterable
],
n_range=[10, 50, 100, 500, 1000, 1500, 2000, 2500, 3000, 4000, 5000],
equality_check=None
)
或者使用numpy。连接:
print(np.concatenate(df['col2']).tolist())
输出:
['a', 'a', 'b', 'c', 'd', 'e', 'a', 'e', 'd']
好的,另一种方式(仅供参考):
或:
这对我没用。我得到的[['a'],['a','b','c'],['d'],['e'],['a','e','d']
和的复杂度为O(n^2),因此对于较大的数据帧,30x将变得更高。它实际上不适用于任何有100k+行的情况。所有可能的答案都可以在jezrael的这篇文章中找到。这个问题的概念没有什么不同,但方法是你能学到的。伟大的天才:)谢谢@meW.)很高兴您喜欢它。很抱歉再次向您推荐,但这比我的functools慢30-40倍。对于1000行的数据帧,请使用上面的reduce
解决方案。@anky_91我测试了第一个和第二个,我正在谈论第二个。我们的答案有些相似,如果您感兴趣,我为所有答案添加了完整的性能比较。
from functools import reduce
reduce(lambda x,y: x+y,df.col2.values)
from functools import reduce
import operator
reduce(operator.add,df.col2.values)
#['a', 'a', 'b', 'c', 'd', 'e', 'a', 'e', 'd']