基本 Pandas 数据分析：连接数据类型

Question

我加载了一个数据框，其中有一个名为 natvty 的变量，它是 50 到 600 之间数字的频率。每个数字代表一个国家，每个国家出现不止一次。我计算了每个国家出现在列表中的次数。现在我想用国家名称替换国家的数字，例如（57 = 美国）。我尝试了各种 for 循环都无济于事。到目前为止，这是我的代码。在值计数表中，国家编号在左侧，在数据中出现的次数在右侧。我需要用国家名称替换左边的数字。对应于国家名称的数字在外部 Excel 表中的两列中。谢谢。

Answer 1

我认为一开始可能不需要用国家名称替换国家号码。因为你现在有两张表，一张是列["country_number", "natvty"]，另一个（你的excel表，可以导出为.csv文件并由pandas读取）是列["country_number", "country_name"]，所以你可以简单地加入它们两者都保留。结果表将有 3 列：分别为 ["country_number", "natvty", "country_name"]。

import pandas as pd

df_nav    = pd.read_csv("my_natvty.csv")
df_cnames = pd.read_csv("excel_country_names.csv") # or use pd.read_excel("country_names.xlsx") directly on excel files

df_nav_with_cnames = df_nav.join(df_cnames, on='country_number')

确保它们都有一个列 "country_number"。您可以手动修改数据源文件中的表头，或者将它们视为index columns 以同样应用join。这个概念有点像关系数据库中的 SQL 操作。

文档：http://pandas.pydata.org/pandas-docs/stable/merging.html

Answer 2

对于这类事情，我总是更喜欢 map 函数，它吃字典，或者是一个函数。

import pandas as pd
import numpy.random as np
In [12]:

print 
# generate data
df = pd.DataFrame(data={'natvty':np.randint(low=20,high=500,size=10),
                        'country':pd.Series([1,2,3,3,3,2,1,1,2,3])})
df
   country  natvty
0        1      24
1        2     310
2        3      88
3        3     459
4        3      38
5        2      63
6        1     194
7        1     384
8        2     281
9        3     360

然后，dict。在这里我只是输入它，但您可以从 csv 或 excel 文件中加载它。然后，您需要将键设置为索引并将结果系列转换为 dict (to_dict())。

countrymap = {1:'US',2:'Canada',3:'Mexico'}

然后您可以简单地map 值标签。

df.country.map(countrymap)
Out[10]:
0        US
1    Canada
2    Mexico
3    Mexico
4    Mexico
5    Canada
6        US
7        US
8    Canada
9    Mexico
Name: country, dtype: objec

Answer 3

注意：这里的基本思想与Shellay's answer相同。我只是想演示如何处理两个数据框中的不同列名，以及如何检索您想要的每个国家/地区的频率。

您有一个包含国家代码的数据框，以及另一个将国家代码映射到国家名称的数据框。您只需将它们加入国家代码列。您可以阅读有关merging in Pandas 和SQL joins 的更多信息。

import pandas as pd

# this is your nativity frame
nt = pd.DataFrame([
    [123],
    [123],
    [456],
    [789],
    [456],
    [456]
], columns=('natvty',))

# this is your country code map
# in reality, use pd.read_excel
cc = pd.DataFrame([
    [123, 'USA'],
    [456, 'Mexico'],
    [789, 'Canada']
], columns=('country_code', 'country_name'))

# perform a join
# now each row has an associated country_name
df = nt.merge(cc, left_on='natvty', right_on='country_code')

# now you can get frequencies on country names instead of country codes
print df.country_name.value_counts(sort=False)

上面的输出是

Canada    1
USA       2
Mexico    3
Name: country_name, dtype: int64

Answer 4

我认为字典是你最好的选择。如果您有国家及其代码的字典，例如

country_dict = {333: 'United States', 123: 'Canada', 456: 'Cuba', ...}

您可能拥有国家及其代码的密钥，因此您可以通过循环非常轻松地制作 dict：

country_dict = {}
for i in country_list:
    country = i[0]  # If you had list of countries and their numbers
    number = i[1]
    country_dict[number] = country

一旦有了这个，就可以直接向 DataFrame 添加一列：

import pandas as pd
df = pd.read_csv('my_data.csv', header=None)
df['country'] = [country_dict[x[0][i]] for i in list(df.index)]

如果国家代码列的索引为 0，这应该可以工作