复杂的行和列操作 pandas

Question

我正在尝试同时执行行和列操作。我有时间序列的数据。我确实检查了此处和文档中的几乎所有示例，但运气不佳，并且比以前更加困惑。

我有两个文件都在同一个路径

Path = '/'

File_1.csv 

Nos,00:00:00,12:00:00
123,5245,624
125,4534,65
567,642,7522


File_2.csv
Nos,00:00:00
123,20
123,20
123,20
125,50
125,50
567,500
567,500
567,500
567,500
567,500

预期的输出是将file_1.csv 的col[last] 计数合并为file_2.csv 作为新列，同时执行以下操作：

1. 取Nos=123 的值，它在file_2.csv 中出现3 次，因此除以相应的值，即624/3 = 208。

2. 现在通过将与Nos 对应的同一行中的00:00:00 的值添加到新列中来放置这个新值，该新列将具有来自file_1.csv 的标题col[last]。即208+20=228

现在附加的file_2.csv 看起来像：

File_2.csv
    Nos,00:00:00,12:00:00
    123,20,228
    123,20,228
    123,20,228
    125,50,82/83 #float to be rounded off
    125,50,82/83
    567,500,2004 #float rounded off
    567,500,2004
    567,500,2004
    567,500,2004
    567,500,2004

这看起来超级复杂，从哪里开始理解。任何关于编写代码的建议都会有很大的帮助。提前致谢。

Answer 1

将两个数据框合并为一个：

In [34]: df3 = pd.merge(df2, df1[['Nos', '12:00:00']], on=['Nos'], how='left')

In [35]: df3
Out[35]: 
   Nos  00:00:00  12:00:00
0  123        20       624
1  123        20       624
2  123        20       624
3  125        50        65
4  125        50        65
5  567       500      7522
6  567       500      7522
7  567       500      7522
8  567       500      7522
9  567       500      7522

然后您可以执行groupby/transform 来计算每个组中有多少项目：

count = df3.groupby(['Nos'])['12:00:00'].transform('count')

然后您希望计算的值可以表示为

df3['12:00:00'] = df3['00:00:00'] + df3['12:00:00']/count 

---

例如，

import pandas as pd
df1 = pd.read_csv('File_1.csv')
df2 = pd.read_csv('File_2.csv')

last1, last2 = df1.columns[-1], df2.columns[-1]
df3 = pd.merge(df2, df1[['Nos', last1]], on=['Nos'], how='left')

count = df3.groupby(['Nos'])[last1].transform('count')
df3[last1] = df3[last2] + df3[last1]/count 
print(df3)

产量

   Nos  00:00:00  12:00:00
0  123        20     228.0
1  123        20     228.0
2  123        20     228.0
3  125        50      82.5
4  125        50      82.5
5  567       500    2004.4
6  567       500    2004.4
7  567       500    2004.4
8  567       500    2004.4
9  567       500    2004.4

---

或者，您可以使用

df3[last1] = df3.groupby(['Nos']).apply(lambda x: x[last2] + x[last1]/len(x) ).values

而不是

count = df3.groupby(['Nos'])[last1].transform('count')
df3[last1] = df3[last2] + df3[last1]/count 

但是，由于 groupby/apply 对每个组进行一次加法和除法，因此速度较慢，而

df3[last1] = df3[last2] + df3[last1]/count 

正在对整列执行加法和除法。如果有很多组，性能差异可能会很大。将两个数据帧合并为一个：

In [34]: df3 = pd.merge(df2, df1[['Nos', '12:00:00']], on=['Nos'], how='left')

In [35]: df3
Out[35]: 
   Nos  00:00:00  12:00:00
0  123        20       624
1  123        20       624
2  123        20       624
3  125        50        65
4  125        50        65
5  567       500      7522
6  567       500      7522
7  567       500      7522
8  567       500      7522
9  567       500      7522

然后您可以执行groupby/transform 来计算每个组中有多少项目：

count = df3.groupby(['Nos'])['12:00:00'].transform('count')

然后您希望计算的值可以表示为

df3['12:00:00'] = df3['00:00:00'] + df3['12:00:00']/count 

---

例如，

import pandas as pd
df1 = pd.read_csv('File_1.csv')
df2 = pd.read_csv('File_2.csv')

last1, last2 = df1.columns[-1], df2.columns[-1]
df3 = pd.merge(df2, df1[['Nos', last1]], on=['Nos'], how='left')

count = df3.groupby(['Nos'])[last1].transform('count')
df3[last1] = df3[last2] + df3[last1]/count 
print(df3)

产量

   Nos  00:00:00  12:00:00
0  123        20     228.0
1  123        20     228.0
2  123        20     228.0
3  125        50      82.5
4  125        50      82.5
5  567       500    2004.4
6  567       500    2004.4
7  567       500    2004.4
8  567       500    2004.4
9  567       500    2004.4

---

或者，您可以使用

df3[last1] = df3.groupby(['Nos']).apply(lambda x: x[last2] + x[last1]/len(x) ).values

而不是

count = df3.groupby(['Nos'])[last1].transform('count')
df3[last1] = df3[last2] + df3[last1]/count 

但是，由于groupby/apply 对每个组进行一次加法和除法，因此速度较慢，而

df3[last1] = df3[last2] + df3[last1]/count 

正在对整列执行加法和除法。如果有很多组，则性能差异可能很大：

In [52]: df3 = pd.concat([df3]*1000)
In [56]: df3['Nos'] = np.random.randint(1000, size=len(df3))

In [57]: %timeit using_transform(df3)
100 loops, best of 3: 6.49 ms per loop

In [58]: %timeit using_apply(df3)
1 loops, best of 3: 270 ms per loop