我正在处理这样一个数据帧:
id Xp_1 Xp_2 Xp_4 Xt_1 Xt_2 Xt_3 Mp_1 Mp_2 Mp_3 Mt_1 Mt_2 Mt_6
0 i24 Nan 0.27 Nan 0.45 0.20 0.25 0.27 Nan Nan Nan Nan Nan
1 i25 0.45 0.47 0.46 0.22 0.42 Nan 0.42 0.05 0.43 0.12 0.01 0.04
2 i11 Nan Nan 0.32 0.14 0.32 0.35 0.29 0.33 Nan Nan 0.02 0.44
3 i47 Nan 0.56 0.59 0.92 Nan 0.56 0.51 0.12 Nan 0.1 0.1 Nan
如您所见,我有两个宏组(X 和 M),每个宏组有两个子集(p 和 t)。我想实现的是两个宏组之间的“或”条件和宏组的每个子集之间的“与”条件。
基本上,我想保留那些在至少一个组中为每个子集至少有两个值的行。 例如: i24应该舍弃,其实我们Xps只有一个值,而且M组没有任何值。 像i11这样的条目应该保留,实际上X组不满足条件,但M满足。i25也是如此,这两个组都满足条件。
我试过了:
keep_r = (df.groupby(lambda col: col.split("_", maxsplit=1)[0], axis=1)
.count()
.ge(2)
.all(axis=1))
df = df.loc[keep_r]
但它会检查所有子集(Xp、Xt、Mp、Mt)中是否至少有两个值。相反,我想独立处理 X 和 M。
谢谢!
答案 0 :(得分:3)
我们可以对 2 个东西进行分组:X
、M
和 p
、t
,它们是列名的第一个和第二个字符。然后我们可以在 .count().ge(2).all(axis=1)
和 p
的级别上调用您的 t
逻辑。然后我们通过 any
:
# to keep the `id` column aside
df = df.set_index("id")
# groups
c = df.columns
g = df.groupby([c.str[0], c.str[1]], axis=1)
# boolean mask
mask = (g.count()
.ge(2)
.all(axis=1, level=0) # micros: and
.any(axis=1)) # macros: or
# new df
ndf = df[mask]
得到
>>> ndf
Xp_1 Xp_2 Xp_4 Xt_1 Xt_2 Xt_3 Mp_1 Mp_2 Mp_3 Mt_1 Mt_2 Mt_6
id
i25 0.45 0.47 0.46 0.22 0.42 NaN 0.42 0.05 0.43 0.12 0.01 0.04
i11 NaN NaN 0.32 0.14 0.32 0.35 0.29 0.33 NaN NaN 0.02 0.44
i47 NaN 0.56 0.59 0.92 NaN 0.56 0.51 0.12 NaN 0.1 0.1 NaN
为了说明,在调用 all
和 any
之前,我们有:
>>> g.count().ge(2)
M X
p t p t
id
i24 False False False True
i25 True True True True
i11 True True False True
i47 True True True True
然后 all
超过 0 级,即超过 p, t
用和逻辑减少了这一步:
>>> g.count().ge(2).all(axis=1, level=0)
M X
id
i24 False False
i25 True True
i11 True False
i47 True True
最后 any
在剩余的 M, X
上将其减少为带有 or 逻辑的布尔系列,这表示要保留哪些行:
>>> g.count().ge(2).all(axis=1, level=0).any(axis=1)
id
i24 False
i25 True
i11 True
i47 True
dtype: bool
答案 1 :(得分:1)
IIUC 尝试从模式 MultiIndex
创建一个 str.extract
:
df = df.set_index('id')
df.columns = pd.MultiIndex.from_frame(df.columns.str.extract('(.)(.)_(.+)'))
0 X M
1 p t p t
2 1 2 4 1 2 3 1 2 3 1 2 6
id
i24 NaN 0.27 NaN 0.45 0.20 0.25 0.27 NaN NaN NaN NaN NaN
i25 0.45 0.47 0.46 0.22 0.42 NaN 0.42 0.05 0.43 0.12 0.01 0.04
i11 NaN NaN 0.32 0.14 0.32 0.35 0.29 0.33 NaN NaN 0.02 0.44
i47 NaN 0.56 0.59 0.92 NaN 0.56 0.51 0.12 NaN 0.10 0.10 NaN
然后分组级别 0
和 1
进行计数,然后将单独的逻辑应用于每个级别。:
keep = (
df.groupby(axis=1, level=[0, 1]).count()
.ge(2).all(axis=1, level=0).any(axis=1)
)
id
i24 False
i25 True
i11 True
i47 True
dtype: bool
然后过滤并折叠 MultiIndex:
df = df.loc[keep]
df.columns = df.columns.map(lambda c: f'{"".join(c[:-1])}_{c[-1]}')
df = df.reset_index()
id Xp_1 Xp_2 Xp_4 Xt_1 Xt_2 Xt_3 Mp_1 Mp_2 Mp_3 Mt_1 Mt_2 Mt_6
0 i25 0.45 0.47 0.46 0.22 0.42 NaN 0.42 0.05 0.43 0.12 0.01 0.04
1 i11 NaN NaN 0.32 0.14 0.32 0.35 0.29 0.33 NaN NaN 0.02 0.44
2 i47 NaN 0.56 0.59 0.92 NaN 0.56 0.51 0.12 NaN 0.10 0.10 NaN