将数据框拆分为多个数据框

92

我有一个非常大的数据框（大约一百万行），其中包含来自实验的数据（60位受访者）。

我想将数据框分成60个数据框（每个参与者一个数据框）。

在数据框中，data有一个名为的变量'name'，它是每个参与者的唯一代码。

我已经尝试了以下方法，但是没有任何反应（或者执行不会在一小时内停止）。我打算做的是将其拆分data为较小的数据框，并将其附加到列表（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

我没有收到错误消息，该脚本似乎可以永远运行！

有什么聪明的方法吗？

python  split  pandas  dataframe 
— 马丁·佩特里·巴格
source

Answers:

53

首先，您的方法效率低下，因为在没有足够的空间容纳新条目的情况下，由于必须定期增长列表，因此逐行追加到列表会很慢，因此在确定大小时，列表理解会更好前面并分配一次。

但是，我认为从根本上来说，您的方法有点浪费，因为您已经有了一个数据框，为什么还要为这些用户中的每一个创建一个新的？

我将按列对数据帧进行排序'name'，将索引设置为此，并且如果需要，不要删除该列。

然后生成所有唯一条目的列表，然后可以使用这些条目执行查找，并且至关重要的是，如果仅查询数据，请使用选择条件返回数据框上的视图，而不会产生昂贵的数据副本。

使用pandas.DataFrame.sort_values和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'
— 埃德·楚姆
source
74

我能问为什么不只是通过切片数据帧来做到这一点。就像是

#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]

嘿，请记住，您有一个数据帧字典，就像（我想）您想要它们一样。需要访问一个吗？只需输入

DataFrameDict['Joe']

希望能有所帮助

— 伍迪骄傲
source
38

您可以将groupby对象转换为tuples，然后转换为dict：

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

不推荐使用，但可以按组创建DataFrames：

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
— 耶斯雷尔
source
16

Groupby可以帮助您：

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

然后，您可以与每个组一起使用，就像为每个参与者使用数据框一样。DataFrameGroupBy对象方法（例如（应用，转换，聚合，开头，第一个，最后一个））将返回一个DataFrame对象。

或者，您可以从grouped索引中列出并获取所有DataFrame的索引：

l_grouped = list(grouped)

l_grouped[0][1] -第一个具有名字的组的DataFrame。

— 古塞夫·斯拉瓦（Gusev Slava）
source
7

除了Gusev Slava的答案外，您可能还想使用groupby的分组：

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

这将产生一个字典，其中包含您分组的键，并指向相应的分区。这样做的好处是，键将保持不变，并且不会在列表索引中消失。

— Quickbeam2k1
source
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

这是一种分组方式（您可以执行任意应用而不是求和）

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)

总和被cythonized，这就是为什么这么快

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
— 杰夫
source
1

该方法基于列表理解，并且groupby-将所有拆分的数据帧存储在列表变量中，并且可以使用索引进行访问。

例

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

ans[0]
ans[0].column_name
— 拉姆·普拉贾帕蒂
source
1
  • 首先，OP中的方法有效，但效率不高。由于数据集很长，它似乎可能永远运行。
  • 使用.groupby的'method'柱，营造dict的DataFrames独特'method'的键的值，用dict-comprehension。
    • .groupby返回一个groupby对象，该对象包含有关组的信息，其中g是'method'每个组的唯一值，并且d是该DataFrame组的。
  • 的value每一个key中df_dict，将是一个DataFrame，其可以以标准方式被访问，df_dict['key']。
  • 最初的问题想要的list是DataFrames，可以使用来完成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) 要么 df_dict['Astrometry'].head(3)
  • 这个组只有2个
         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) 要么 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) 要么 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

或者

  • 这是DataFrames使用熊猫创建单独的手动方法：布尔索引
  • 这类似于接受的答案，但.loc不是必需的。
  • 这是创建一对额外对象的可接受方法DataFrames。
  • 的Python的方式来创建多个对象，是通过将它们放置在一个容器（例如dict，list，generator等等），如上所示。
df1 = df[df.method == 'Astrometry']
df2 = df[df.method == 'Eclipse Timing Variations']
— 特伦顿·麦金尼
source
0

如果您已经有一些数据标签，则可以使用groupby命令。 

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

这是一个详细的示例：

假设我们要使用一些标签将一个pd系列分区到一个块列表中，例如in_series：

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

其对应的label_series是：

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

跑 

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

它返回out_list一个list两个pd.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]

请注意，您可以使用in_series本身的一些参数来对系列进行分组，例如，in_series.index.day

— idnavid
source
-1

我有类似的问题。我有一个时间序列，涉及10家不同商店和50种不同商品的每日销售额。我需要将原始数据帧拆分为500个数据帧（10stores * 50stores），以将机器学习模型应用于每个模型，而我无法手动进行。

这是数据框的标题：

数据框的头：df

我创建了两个列表；一个用于数据帧的名称，另一个用于两个数组[item_number，store_number]。

    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])

一旦两个列表准备就绪，您就可以循环使用它们来创建所需的数据框：

         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)

这样，我创建了500个数据框。

希望这会有所帮助！

— 路易吉·邦加罗（Luigi Bungaro）
source
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.