如何使用pandas python获取数据框中每列的最大长度

Question

我有一个数据框，其中大多数列都是 varchar/object 类型。列的长度变化很大，可以是 3 - 1000+ 范围内的任何值。现在，对于每一列，我想测量最大长度。

我知道如何计算 col 的最大长度。如果是 varchar 则：

max(df.char_col.apply(len))

如果它的数字（float8 或 int64）那么：

max(df.num_col.map(str).apply(len))

但是我的数据框有数百列，我想同时计算所有列的最大长度。问题在于，有不同的数据类型，我不知道如何一次完成所有操作。

所以问题1：如何获取数据框中每一列的最大列长度

现在我尝试使用以下代码仅对 varchar/object 类型的列执行此操作：

xx = df.select_dtypes(include = ['object'])
for col in [xx.columns.values]:
   maxlength = [max(xx.col.apply(len))]

我只选择了对象类型列并尝试编写一个 for 循环。但它不起作用。可能在 for 循环中使用 apply() 不是一个好主意。

问题 2：如何仅获取对象类型列的每列的最大长度

示例数据框：

d1 = {'name': ['john', 'tom', 'bob', 'rock', 'jimy'], 'DoB': ['01/02/2010', '01/02/2012', '11/22/2014', '11/22/2014', '09/25/2016'], 'Address': ['NY', 'NJ', 'PA', 'NY', 'CA'], 'comment1': ['Very good performance', 'N/A', 'Need to work hard', 'No Comment', 'Not satisfactory'], 'comment2': ['good', 'Meets Expectation', 'N', 'N/A', 'Incompetence']}
df1 = pd.DataFrame(data = d1)
df1['month'] = pd.DatetimeIndex(df1['DoB']).month
df1['year'] = pd.DatetimeIndex(df1['DoB']).year

Answer 1

查找数据框中所有列（任何类型）的最大字符数：

for column in df:
    print(column,"->", df[column].astype(str).str.len().max())

工作得相当快，我在 8000 万行 df 上使用它。

Answer 2

仅选择对象类型列

df2 = df1[[x for x in df1 if df1[x].dtype == 'object']]

获取每列的最大长度

max_length_in_each_col = df2.applymap(lambda x: len(x)).max()

Answer 3

使用 str 和 len 方法后可以使用 min max

df["A"].str.len().max()
df["A"].str.len().min()

df["Column Name"].str.len().max()
df["Column Name"].str.len().min()

Answer 4

我尝试了numpy.vectorize，但它给出了 'Memory Error' 用于巨大的数据框。

下面的代码非常适合我。它将为您提供 excel 电子表格中每一列的最大长度列表（使用 pandas 读入数据框）

import pandas as pd

xl = pd.ExcelFile('sample.xlsx')
df = xl.parse('Sheet1')

maxColumnLenghts = []
for col in range(len(df.columns)):
    maxColumnLenghts.append(max(df.iloc[:,col].astype(str).apply(len)))
print('Max Column Lengths ', maxColumnLenghts)

Answer 5

这里有一些很好的答案，我想贡献我的答案

解决方案：

dict([(v, df[v].apply(lambda r: len(str(r)) if r!=None else 0).max())for v in df.columns.values])

解释：

#convert tuple to dictionary
dict( 
    [
        #create a tuple such that (column name, max length of values in column)
        (v, df[v].apply(lambda r: len(str(r)) if r!=None else 0).max()) 
            for v in df.columns.values #iterates over all column values
    ])

样本输出

{'name': 4, 'DoB': 10, 'Address': 2, 'comment1': 21, 'comment2': 17}

Answer 6

一种解决方案是使用numpy.vectorize。这可能比基于pandas 的解决方案更有效。

您可以使用pd.DataFrame.select_dtypes 选择object 列。

import pandas as pd
import numpy as np

df = pd.DataFrame({'A': ['abc', 'de', 'abcd'],
                   'B': ['a', 'abcde', 'abc'],
                   'C': [1, 2.5, 1.5]})

measurer = np.vectorize(len)

所有列的最大长度

res1 = measurer(df.values.astype(str)).max(axis=0)

array([4, 5, 3])

对象列的最大长度

res2 = measurer(df.select_dtypes(include=[object]).values.astype(str)).max(axis=0)

array([4, 5])

---

或者如果您需要作为字典输出：

res1 = dict(zip(df, measurer(df.values.astype(str)).max(axis=0)))

{'A': 4, 'B': 5, 'C': 3}

df_object = df.select_dtypes(include=[object])
res2 = dict(zip(df_object, measurer(df_object.values.astype(str)).max(axis=0)))

{'A': 4, 'B': 5}