问题:创建一个空的Pandas DataFrame,然后填充它?
我从这里的pandas DataFrame文档开始:http ://pandas.pydata.org/pandas-docs/stable/dsintro.html
我想用时间序列类型的计算中的值迭代地填充DataFrame。所以基本上,我想用列A,B和时间戳记行(全为0或全部为NaN)初始化DataFrame。
然后,我将添加初始值,然后遍历此数据,计算出大约某行之前的新行row[A][t] = row[A][t-1]+1
。
我目前正在使用下面的代码,但是我觉得这很丑陋,必须有一种直接使用DataFrame进行此操作的方法,或者通常来说是一种更好的方法。注意:我正在使用Python 2.7。
import datetime as dt
import pandas as pd
import scipy as s
if __name__ == '__main__':
base = dt.datetime.today().date()
dates = [ base - dt.timedelta(days=x) for x in range(0,10) ]
dates.sort()
valdict = {}
symbols = ['A','B', 'C']
for symb in symbols:
valdict[symb] = pd.Series( s.zeros( len(dates)), dates )
for thedate in dates:
if thedate > dates[0]:
for symb in valdict:
valdict[symb][thedate] = 1+valdict[symb][thedate - dt.timedelta(days=1)]
print valdict
回答 0
这里有一些建议:
使用date_range
的指标:
import datetime
import pandas as pd
import numpy as np
todays_date = datetime.datetime.now().date()
index = pd.date_range(todays_date-datetime.timedelta(10), periods=10, freq='D')
columns = ['A','B', 'C']
注意:我们可以NaN
简单地通过编写以下内容来创建一个空的DataFrame(带有s):
df_ = pd.DataFrame(index=index, columns=columns)
df_ = df_.fillna(0) # with 0s rather than NaNs
要对数据进行这些类型的计算,请使用numpy数组:
data = np.array([np.arange(10)]*3).T
因此,我们可以创建DataFrame:
In [10]: df = pd.DataFrame(data, index=index, columns=columns)
In [11]: df
Out[11]:
A B C
2012-11-29 0 0 0
2012-11-30 1 1 1
2012-12-01 2 2 2
2012-12-02 3 3 3
2012-12-03 4 4 4
2012-12-04 5 5 5
2012-12-05 6 6 6
2012-12-06 7 7 7
2012-12-07 8 8 8
2012-12-08 9 9 9
回答 1
如果您只想创建一个空的数据框并在以后用一些传入的数据框填充它,请尝试以下操作:
newDF = pd.DataFrame() #creates a new dataframe that's empty
newDF = newDF.append(oldDF, ignore_index = True) # ignoring index is optional
# try printing some data from newDF
print newDF.head() #again optional
在此示例中,我使用此pandas文档创建一个新的数据框,然后使用append将oldDF中的数据写入newDF。
如果我必须不断地将来自多个旧DF的新数据追加到此newDF中,则只需使用for循环即可遍历 pandas.DataFrame.append()
回答 2
创建数据框的正确方法
TLDR;(只需阅读粗体文字)
这里的大多数答案将告诉您如何创建一个空的DataFrame并将其填写,但是没有人会告诉您这是一件坏事。
这是我的建议:等待直到您确定拥有所有需要使用的数据。使用列表收集数据,然后在准备好时初始化DataFrame。
data = []
for a, b, c in some_function_that_yields_data():
data.append([a, b, c])
df = pd.DataFrame(data, columns=['A', 'B', 'C'])
一次添加到列表并创建一个DataFrame总是比创建一个空的DataFrame(或NaN之一)便宜,一遍又一遍地添加到列表。列表还占用较少的内存,并且可以轻松处理,追加和删除(如果需要)的数据结构。
此方法的另一个优点是dtypes
可以自动推断(而不是分配object
给所有对象)。
最后一个优点是为您的数据自动创建了aRangeIndex
,因此不必担心(只需查看下面的劣势append
和loc
方法,您将在两种方法中看到需要正确处理索引的元素)。
你不应该做的事情
append
或concat
在循环内
这是我从初学者看到的最大错误:
df = pd.DataFrame(columns=['A', 'B', 'C'])
for a, b, c in some_function_that_yields_data():
df = df.append({'A': i, 'B': b, 'C': c}, ignore_index=True) # yuck
# or similarly,
# df = pd.concat([df, pd.Series({'A': i, 'B': b, 'C': c})], ignore_index=True)
内存重新分配给每一个append
或concat
你有操作。再加上一个循环,就可以进行二次复杂度运算。从df.append
文档页面:
迭代地将行添加到DataFrame可能比单个连接更多地占用大量计算资源。更好的解决方案是将这些行添加到列表中,然后一次将列表与原始DataFrame连接起来。
与之相关的另一个错误df.append
是用户倾向于忘记append不是就地函数,因此必须将结果分配回去。您还必须担心dtypes:
df = pd.DataFrame(columns=['A', 'B', 'C'])
df = df.append({'A': 1, 'B': 12.3, 'C': 'xyz'}, ignore_index=True)
df.dtypes
A object # yuck!
B float64
C object
dtype: object
处理对象列从来都不是一件好事,因为熊猫无法向量化这些列上的操作。您将需要执行以下操作来修复它:
df.infer_objects().dtypes
A int64
B float64
C object
dtype: object
loc
循环内
我还曾经看到过loc
将其追加到创建为空的DataFrame上:
df = pd.DataFrame(columns=['A', 'B', 'C'])
for a, b, c in some_function_that_yields_data():
df.loc[len(df)] = [a, b, c]
和以前一样,您没有每次都预先分配所需的内存量,因此每次创建新行时都会重新增加内存。就像一样糟糕append
,甚至更难看。
NaN的空数据框
然后,创建一个NaN的DataFrame以及与此相关的所有警告。
df = pd.DataFrame(columns=['A', 'B', 'C'], index=range(5))
df
A B C
0 NaN NaN NaN
1 NaN NaN NaN
2 NaN NaN NaN
3 NaN NaN NaN
4 NaN NaN NaN
它会像其他对象一样创建一个对象列的DataFrame。
df.dtypes
A object # you DON'T want this
B object
C object
dtype: object
如上所述,追加仍然存在所有问题。
for i, (a, b, c) in enumerate(some_function_that_yields_data()):
df.iloc[i] = [a, b, c]
证明在布丁中
对这些方法进行计时是最快的方法,以了解它们在内存和实用性方面的差异。
回答 3
用列名初始化空框架
import pandas as pd
col_names = ['A', 'B', 'C']
my_df = pd.DataFrame(columns = col_names)
my_df
将新记录添加到框架
my_df.loc[len(my_df)] = [2, 4, 5]
您可能还想通过字典:
my_dic = {'A':2, 'B':4, 'C':5}
my_df.loc[len(my_df)] = my_dic
将另一个框架附加到现有框架
col_names = ['A', 'B', 'C']
my_df2 = pd.DataFrame(columns = col_names)
my_df = my_df.append(my_df2)
性能考量
如果要在循环内添加行,请考虑性能问题。对于大约前1000条记录,“ my_df.loc”的性能较好,但通过增加循环中的记录数,它的性能逐渐变慢。
如果您打算在一个大循环中进行细化处理(例如10M条记录左右),那么最好将这两种方法混合使用;用iloc填充数据框,直到大小达到1000,然后将其附加到原始数据框,然后清空临时数据框。这将使您的性能提高大约10倍。
回答 4
假设有19行的数据框
index=range(0,19)
index
columns=['A']
test = pd.DataFrame(index=index, columns=columns)
保持A列不变
test['A']=10
保持列b为循环给出的变量
for x in range(0,19):
test.loc[[x], 'b'] = pd.Series([x], index = [x])
您可以将第一个x替换为pd.Series([x], index = [x])
任何值