我想使用Pandas重新格式化Excel文件。
Excel文件包含一个ID列表,在不同的日期和不同的机器上执行多个操作。这些数据按操作记录操作,我想按ID重新格式化它们。
我做了那个效果很好但却效率不高的代码(简化版)。在我真正的15列x 20 000行~16Mb的Excel文件中,运行需要〜2 / 3h ......
# -*- coding: utf-8 -*-
import pandas as pd
from collections import OrderedDict
data = pd.read_excel('Exemple.xlsx')
IDlist = data.ID.unique().tolist()
for ID in IDlist:
tempData = OrderedDict()
tempData['ID'] = ID
for OP in data[data['ID'] == ID]['Operation'].tolist():
tempData[str(OP)+'_Date'] = data[data['ID'] == ID][data['Operation'] == OP]['Date'].iloc[0].date()
tempData[str(OP)+'_Machine'] = data[data['ID'] == ID][data['Operation'] == OP]['Machine'].iloc[0]
if 'outputData' not in locals():
outputData = pd.DataFrame(tempData, index=[0])
else:
outputData = outputData.append(tempData, ignore_index=True)
writer = pd.ExcelWriter('outputExemple.xlsx')
outputData.to_excel(writer,'sheet',index=False)
writer.save()
Exemple.xlsx就像这样(作为csv,因为它更容易导入):
ID;Operation;Date;Machine
ID1;10;05/01/2018;Machine1
ID1;20;06/01/2018;Machine2
ID1;30;10/01/2018;Machine3
ID1;40;11/01/2018;Machine4
ID1;50;12/01/2018;Machine5
ID2;10;10/01/2018;Machine1
ID2;20;14/01/2018;Machine2
ID2;30;17/01/2018;Machine3
ID2;50;20/01/2018;Machine5
ID3;10;15/01/2018;Machine1
ID3;30;16/01/2018;Machine3
ID3;50;17/01/2018;Machine5
outputExemple.xlsx - ID ID(仍为csv ...)
ID;10_Date;10_Machine;20_Date;20_Machine;30_Date;30_Machine;40_Date;40_Machine;50_Date;50_Machine
ID1;2018-01-05;Machine1;2018-01-06;Machine2;2018-01-10;Machine3;2018-01-11;Machine4;2018-01-12;Machine5
ID2;2018-01-10;Machine1;2018-01-14;Machine2;2018-01-17;Machine3;;;2018-01-20;Machine5
ID3;2018-01-15;Machine1;;;2018-01-16;Machine3;;;2018-01-17;Machine5
为了尝试加快速度,我想要提供一个双重索引,因为'ID'和' '操作'是独一无二的。但是我无法管理它,我不知道它是否会让它更快......
data = data.set_index(['ID', 'Operation'])
有什么想法吗?
答案 0 :(得分:1)
考虑pivot_table
对列名称进行一些争论而不进行任何循环。
数据强>
from io import StringIO
import pandas as pd
txt = '''ID;Operation;Date;Machine
ID1;10;05/01/2018;Machine1
ID1;20;06/01/2018;Machine2
ID1;30;10/01/2018;Machine3
ID1;40;11/01/2018;Machine4
ID1;50;12/01/2018;Machine5
ID2;10;10/01/2018;Machine1
ID2;20;14/01/2018;Machine2
ID2;30;17/01/2018;Machine3
ID2;50;20/01/2018;Machine5
ID3;10;15/01/2018;Machine1
ID3;30;16/01/2018;Machine3
ID3;50;17/01/2018;Machine5'''
df = pd.read_table(StringIO(txt), sep=";", parse_dates=[2], dayfirst=True)
处理 (为每个15列分组扩展透视值和符号)
pvt_df = df.pivot_table(index='ID', columns=['Operation'],
values=['Date', 'Machine'], aggfunc='max')
print(pvt_df)
# Date Machine
# Operation 10 20 30 40 50 10 20 30 40 50
# ID
# ID1 2018-01-05 2018-01-06 2018-01-10 2018-01-11 2018-01-12 Machine1 Machine2 Machine3 Machine4 Machine5
# ID2 2018-01-10 2018-01-14 2018-01-17 NaT 2018-01-20 Machine1 Machine2 Machine3 None Machine5
# ID3 2018-01-15 NaT 2018-01-16 NaT 2018-01-17 Machine1 None Machine3 None Machine5
# COLUMN WRANGLING
currcols = [o+'_Date' for o in pvt_df.columns.levels[1].astype('str')] + \
[m+'_Machine' for m in pvt_df.columns.levels[1].astype('str')]
# FLATTEN HIERARCHY
pvt_df.columns = pvt_df.columns.get_level_values(0)
# ASSIGN COLUMNS
pvt_df.columns = currcols
# RE-ORDER COLUMNS
pvt_df = pvt_df[sorted(currcols)]
# OUTPUT SEMI-COLON DELIMITED CSV
pvt_df.to_csv('Output.csv', sep=";")
# ID;10_Date;10_Machine;20_Date;20_Machine;30_Date;30_Machine;40_Date;40_Machine;50_Date;50_Machine
# ID1;2018-01-05;Machine1;2018-01-06;Machine2;2018-01-10;Machine3;2018-01-11;Machine4;2018-01-12;Machine5
# ID2;2018-01-10;Machine1;2018-01-14;Machine2;2018-01-17;Machine3;;;2018-01-20;Machine5
# ID3;2018-01-15;Machine1;;;2018-01-16;Machine3;;;2018-01-17;Machine5