我有一个更新5-10列数据的脚本,但有时启动csv将与结束csv相同,所以不要写相同的csv文件,我希望它什么都不做......
如何比较两个数据帧以检查它们是否相同?
csvdata = pandas.read_csv('csvfile.csv')
csvdata_old = csvdata
# ... do stuff with csvdata dataframe
if csvdata_old != csvdata:
csvdata.to_csv('csvfile.csv', index=False)
有什么想法吗?
答案 0 :(得分:43)
您还需要小心创建DataFrame的副本,否则csvdata_old将使用csvdata更新(因为它指向同一个对象):
csvdata_old = csvdata.copy()
要检查它们是否相等,您可以use assert_frame_equal as in this answer:
from pandas.util.testing import assert_frame_equal
assert_frame_equal(csvdata, csvdata_old)
你可以将它包装在一个函数中,例如:
try:
assert_frame_equal(csvdata, csvdata_old)
return True
except: # appeantly AssertionError doesn't catch all
return False
讨论了更好的方法......
答案 1 :(得分:11)
不确定问题发布时是否存在,但是pandas现在有一个内置函数来测试两个数据帧之间的相等性:http://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.equals.html。
答案 2 :(得分:7)
使用以下方式检查: df_1.equals(df_2) #返回True或False ,详细信息
In [45]: import numpy as np
In [46]: import pandas as pd
In [47]: np.random.seed(5)
In [48]: df_1= pd.DataFrame(np.random.randn(3,3))
In [49]: df_1
Out[49]:
0 1 2
0 0.441227 -0.330870 2.430771
1 -0.252092 0.109610 1.582481
2 -0.909232 -0.591637 0.187603
In [50]: np.random.seed(5)
In [51]: df_2= pd.DataFrame(np.random.randn(3,3))
In [52]: df_2
Out[52]:
0 1 2
0 0.441227 -0.330870 2.430771
1 -0.252092 0.109610 1.582481
2 -0.909232 -0.591637 0.187603
In [53]: df_1.equals(df_2)
Out[53]: True
In [54]: df_3= pd.DataFrame(np.random.randn(3,3))
In [55]: df_3
Out[55]:
0 1 2
0 -0.329870 -1.192765 -0.204877
1 -0.358829 0.603472 -1.664789
2 -0.700179 1.151391 1.857331
In [56]: df_1.equals(df_3)
Out[56]: False
答案 3 :(得分:6)
不确定这是否有用,但我将这个快速python方法混合在一起,只返回两个具有相同列和形状的数据帧之间的差异。
def get_different_rows(source_df, new_df):
"""Returns just the rows from the new dataframe that differ from the source dataframe"""
merged_df = source_df.merge(new_df, indicator=True, how='outer')
changed_rows_df = merged_df[merged_df['_merge'] == 'right_only']
return changed_rows_df.drop('_merge', axis=1)
答案 4 :(得分:5)
比较两个数据帧的值,注意表之间的行数/列数必须相同
comparison_array = table.values == expected_table.values
print (comparison_array)
>>>[[True, True, True]
[True, False, True]]
if False in comparison_array:
print ("Not the same")
#Return the position of the False values
np.where(comparison_array==False)
>>>(array([1]), array([1]))
然后,您可以使用此索引信息返回表之间不匹配的值。由于它是零索引的,它指的是第二个位置的第二个数组是正确的。
答案 5 :(得分:5)
更准确的比较应分别检查索引名称,因为DataFrame.equals
不会对此进行测试。正确检查所有其他属性(索引值(单/多索引),值,列,dtypes)。
df1 = pd.DataFrame([[1, 'a'], [2, 'b'], [3, 'c']], columns=['num', 'name'])
df1 = df1.set_index('name')
df2 = pd.DataFrame([[1, 'a'], [2, 'b'], [3, 'c']], columns=['num', 'another_name'])
df2 = df2.set_index('another_name')
df1.equals(df2)
True
df1.index.names == df2.index.names
False
注意:使用index.names
代替index.name
也可以使其适用于多索引数据框。
答案 6 :(得分:1)
在我的情况下,我遇到了一个奇怪的错误,即即使索引,列名
和值相同,DataFrames
不匹配。我一直追踪到
数据类型,似乎pandas
有时可以使用不同的数据类型,
导致此类问题
例如:
param2 = pd.DataFrame({'a': [1]})
param1 = pd.DataFrame({'a': [1], 'b': [2], 'c': [2], 'step': ['alpha']})
如果您选中param1.dtypes
和param2.dtypes
,则会发现'a'是
为object
输入param1
,为int64
输入param2
。现在,如果你这样做
使用param1
和param2
的组合进行某些操作,其他
数据框的参数将偏离默认参数。
因此,在生成最终数据帧之后,即使实际值
打印出来的是相同的final_df1.equals(final_df2)
,可能是
不相等,因为Axis 1
,ObjectBlock
之类的参数
IntBlock
可能不同。
解决这个问题并比较值的一种简单方法是使用
final_df1==final_df2
。
但是,这将进行逐个元素的比较,因此,如果您
正在使用它来声明一个语句,例如在pytest
中。
行之有效的是
all(final_df1 == final_df2)
。
这会逐个元素进行比较,而忽略不 比较重要。
如果您的值和索引相同,但是final_df1.equals(final_df2)
显示False
,则可以使用final_df1._data
和final_df2._data
来检查数据框的其余元素。
答案 7 :(得分:1)
拉出对称差异:
# define universe of possible input values
alphabet = 'abcdefghijklmnopqrstuvwxyz'
# define a mapping of chars to integers
char_to_int = dict((c, i) for i, c in enumerate(alphabet))
int_to_char = dict((i, c) for i, c in enumerate(alphabet))
def one_hot_encode(data_array):
integer_encoded = [char_to_int[char] for char in data_array]
# one hot encode
onehot_encoded = list()
for value in integer_encoded:
letter = [0 for _ in range(len(alphabet))]
letter[value] = 1
onehot_encoded.append(letter)
return onehot_encoded
例如:
df_diff = pd.concat([df1,df2]).drop_duplicates(keep=False)
将产生产量:
注意:在下一个熊猫发布之前,为避免出现有关将来将如何设置sort参数的警告,只需添加df1 = pd.DataFrame({
'num': [1, 4, 3],
'name': ['a', 'b', 'c'],
})
df2 = pd.DataFrame({
'num': [1, 2, 3],
'name': ['a', 'b', 'd'],
})
参数。如下:
sort=False
答案 8 :(得分:0)
希望下面的代码片段对您有所帮助!
import pandas as pd
import datacompy
df_old_original = pd.DataFrame([[1, 1, 1, 1], [2, 2, 2, 2], [7, 7, 7, 7], [3, 3, 3, 3], [4, 4, 4, 4], [7, 7, 7, 7], [5, 5, 5, 5], [6, 6, 6, 6]], columns=['A', 'B', 'C', 'D'], index=[0, 1, 2, 3, 4, 5, 6, 7], dtype=object)
df_new_original = pd.DataFrame([[None, None, None, None], [1, 1, 1, 1], [2, 2, 2, 2], [8, 8, 8, 8], [3, 3, 3, 3], [4, 4, 4, 4], [7, 7, 7, 7], [5, 5, 5, 5], [None, None, None, None]], columns=['A', 'B', 'C', 'D'], index=[0, 1, 2, 3, 4, 5, 6, 7, 8], dtype=object)
compare = datacompy.Compare(df_old_original, df_new_original, join_columns=['A', 'B', 'C', 'D'], abs_tol=0, rel_tol=0, df1_name='Old', df2_name='New')
changes_in_old_df = compare.df1_unq_rows
changes_in_new_df = compare.df2_unq_rows
print(changes_in_old_df)
print(changes_in_new_df)
print(Compare.report())