Rpy2 和 Pandas：将预测的输出连接到 pandas 数据帧

Question

我通过 RPy2 在 R 中使用 randomForest 库。我想传回使用caretpredict 方法计算的值并将它们加入原始pandas 数据帧。请参见下面的示例。

import pandas as pd
import numpy as np
import rpy2.robjects as robjects
from rpy2.robjects import pandas2ri
pandas2ri.activate()
r = robjects.r
r.library("randomForest")
r.library("caret")

df = pd.DataFrame(data=np.random.rand(100, 10), columns=["a{}".format(i) for i in range(10)])
df["b"] = ['a' if x < 0.5 else 'b' for x in np.random.sample(size=100)]
train = df.ix[df.a0 < .75]
withheld = df.ix[df.a0 >= .75]

rf = r.randomForest(robjects.Formula('b ~ .'), data=train)
pr = r.predict(rf, withheld)
print pr.rx()

返回

 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 
 a  a  b  b  b  a  a  a  a  b  a  a  a  a  a  b  a  a  a  a 
Levels: a b

但是join 这个如何与withheld 数据框比较或与原始值进行比较？

我试过这个：

import pandas.rpy.common as com
com.convert_robj(pr)

但这会返回一个字典，其中键是字符串。我想有一个解决方法 withheld.reset_index() 然后将 dict 键转换为整数，然后将两者连接起来，但必须有一个更简单的方法！

Answer 1

函数predict返回的R对象pr是一个“向量”，你可以把它看成一个Python的array.array，或者numpy的一维数组。

“加入”不是必需的，因为pr 中元素的顺序对应于表withheld 中的行。只需将pr 作为附加列添加到withheld （见Adding new column to existing DataFrame in Python pandas）：

withheld['predictions'] = pd.Series(pr,
                                    index=withheld.index)

默认情况下，这将添加一列整数（因为 R 因子被编码为整数）。可以很简单地自定义 rpy2 的转换 （见http://rpy.sourceforge.net/rpy2/doc-2.5/html/robjects_convert.html）：

注意： rpy2 的 2.6.0 版本将包括处理 pandas Categorical 向量，因此无需对下面描述的转换器进行自定义。

@robjects.conversion.ri2py.register(robjects.rinterface.SexpVector)
def ri2py_vector(vector):
    # based on
    # https://bitbucket.org/rpy2/rpy2/src/a75413b09852991869332da615fa754923c32039/rpy/robjects/pandas2ri.py?at=default#cl-73

    # special case for factors
    if 'factor' in vector.rclass:
        res = pd.Categorical.from_codes(np.asarray(vector) - 1,
                                        categories = vector.do_slot('levels'),
                                        ordered = 'ordered' in vector.rclass)
    else:
        # use the numpy converter first
        res = numpy2ri.ri2py(obj)
    if isinstance(res, recarray):
        res = PandasDataFrame.from_records(res)
    return res

有了这个，任何 rpy2 对象到非 rpy2 对象的转换都将返回一个 pandas Categorical，只要有一个 R 因子：

robjects.conversion.ri2py(pr)

您可以决定将最后一次转换的结果添加到您的数据表中。

请注意，到非 rpy2 对象的转换必须是显式的（调用转换器）。如果您使用的是 ipython，有一种方法可以使其隐含： https://gist.github.com/lgautier/e2e8709776e0e0e93b8d （以及原始线程https://bitbucket.org/rpy2/rpy2/issue/230/rmagic-specific-conversion）。

Answer 2

有a pull-request that adds R factor to Pandas Categorical functionality 给熊猫。它尚未合并到 Pandas 主分支中。到时候，

import pandas.rpy.common as rcom
rcom.convert_robj(pr)

将pr 转换为 Pandas 分类。 在此之前，您可以使用以下解决方法：

def convert_factor(obj):
    """
    Taken from jseabold's PR: https://github.com/pydata/pandas/pull/9187
    """
    ordered = r["is.ordered"](obj)[0]
    categories = list(obj.levels)
    codes = np.asarray(obj) - 1  # zero-based indexing
    values = pd.Categorical.from_codes(codes, categories=categories,
                                       ordered=ordered)
    return values

---

例如，

import pandas as pd
import numpy as np
import rpy2.robjects as robjects
from rpy2.robjects import pandas2ri
pandas2ri.activate()
r = robjects.r
r.library("randomForest")
r.library("caret")

def convert_factor(obj):
    """
    Taken from jseabold's PR: https://github.com/pydata/pandas/pull/9187
    """
    ordered = r["is.ordered"](obj)[0]
    categories = list(obj.levels)
    codes = np.asarray(obj) - 1  # zero-based indexing
    values = pd.Categorical.from_codes(codes, categories=categories,
                                       ordered=ordered)
    return values


df = pd.DataFrame(data=np.random.rand(100, 10), 
                  columns=["a{}".format(i) for i in range(10)])
df["b"] = ['a' if x < 0.5 else 'b' for x in np.random.sample(size=100)]
train = df.ix[df.a0 < .75]
withheld = df.ix[df.a0 >= .75]

rf = r.randomForest(robjects.Formula('b ~ .'), data=train)
pr = convert_factor(r.predict(rf, withheld))

withheld['pr'] = pr
print(withheld)