Question

我有两个数据框A和B：

例如：

import pandas as pd
import numpy as np
In [37]:
A = pd.DataFrame({'Start': [10, 11, 20, 62, 198], 'End': [11, 11, 35, 70, 200]})

A[["Start","End"]]
Out[37]:
Start   End
0   10  11
1   11  11
2   20  35
3   62  70
4   198 200
In [38]:
B = pd.DataFrame({'Start': [8, 5, 8, 60], 'End': [10, 90, 13, 75], 'Info': ['some_info0','some_info1','some_info2','some_info3']})

B[["Start","End","Info"]]
Out[38]:
Start   End Info
0   8   10  some_info0
1   5   90  some_info1
2   8   13  some_info2
3   60  75  some_info3

我想根据A的间隔（开始 - 结束）是否与B的间隔重叠，将列信息添加到数据帧A.如果A间隔与多于一个B间隔重叠，则信息对应于应该加上较短的间隔。

我一直在寻找如何管理这个问题，我发现了一些类似的问题，但他们的大部分答案都是使用iterrows()，在我的情况下，因为我处理庞大的数据帧是不可行的。

我想要像：

A.merge(B,on="overlapping_interval", how="left")

然后删除重复项，保持信息来自较短的间隔。

输出应如下所示：

In [39]:
C = pd.DataFrame({'Start': [10, 11, 20, 62, 198], 'End': [11, 11, 35, 70, 200], 'Info': ['some_info0','some_info2','some_info1','some_info3',np.nan]})

C[["Start","End","Info"]]
Out[39]:
Start   End Info
0   10  11  some_info0
1   11  11  some_info2
2   20  35  some_info1
3   62  70  some_info3
4   198 200 NaN

我发现this question非常有趣，因为它表明使用pandas Interval对象解决这个问题的可行性。但经过多次尝试后，我还没有设法解决它。

有什么想法吗？

Answer 1

我建议做一个函数然后应用于行：

首先，我计算B中的增量（结束 - 开始）以进行分类

B['delta'] = B.End - B.Start

然后获取信息的函数：

def get_info(x):
    #Fully included
    c0 = (x.Start >= B.Start) & (x.End <= B.End)
    #start lower, end include
    c1 = (x.Start <= B.Start) & (x.End >= B.Start)
    #start include, end higher
    c2 = (x.Start <= B.End) & (x.End >= B.End)

    #filter with conditions and sort by delta
    _B = B[c0|c1|c2].sort_values('delta',ascending=True)

    return None if len(_B) == 0 else _B.iloc[0].Info #None if no info corresponding

然后您可以将此功能应用于A：

A['info'] = A.apply(lambda x : get_info(x), axis='columns')


print(A)
   Start  End        info
0     10   11  some_info0
1     11   11  some_info2
2     20   35  some_info1
3     62   70  some_info3
4    198  200        None

注意：

不要使用pd.Interval，而是制定自己的条件。 cx是您的区间定义，更改它们以获得确切的预期行为

根据间隔重叠合并两个数据帧

1 个答案: