在类别中计算:相当于R的ddply在Python中?

时间:2011-10-14 02:26:50

标签: python r

我有一些R代码需要移植到python。但是,R的神奇data.frame和ddply让我无法在python中找到一个好方法。

样本数据(R):

x <- data.frame(d=c(1,1,1,2,2,2),c=c(rep(c('a','b','c'),2)),v=1:6)

样本计算:

y <- ddply(x, 'd', transform, v2=(v-min(v))/(max(v)-min(v)))

示例输出:

  d c v  v2
1 1 a 1 0.0
2 1 b 2 0.5
3 1 c 3 1.0
4 2 a 4 0.0
5 2 b 5 0.5
6 2 c 6 1.0

所以这是我对那里的pythonistas的问题:你会怎么做?您有一个具有几个重要维度的数据结构。

对于每个(c),并且每个(d)计算(v-min(v))/(max(v)-min(v)))并将其与对应的(d,c)对相关联。 / p>

随意使用您想要的任何数据结构,只要它们能够快速处理相当大的数据集(适合内存的数据集)。

3 个答案:

答案 0 :(得分:19)

确实pandas是Python中的正确(也是唯一的,我相信)工具。它比plyr有点神奇,但是这里是如何使用groupby功能来实现的:

df = DataFrame({'d' : [1.,1.,1.,2.,2.,2.],
                'c' : np.tile(['a','b','c'], 2),
                'v' : np.arange(1., 7.)})
# in IPython
In [34]: df
Out[34]: 
   c  d  v
0  a  1  1
1  b  1  2
2  c  1  3
3  a  2  4
4  b  2  5
5  c  2  6

现在写一个小变换函数:

def f(group):
    v = group['v']
    group['v2'] = (v - v.min()) / (v.max() - v.min())
    return group

请注意,这也会处理NAs,因为v变量是一个pandas Series对象。

现在按d列分组并应用f:

In [36]: df.groupby('d').apply(f)
Out[36]: 
   c  d  v  v2 
0  a  1  1  0  
1  b  1  2  0.5
2  c  1  3  1  
3  a  2  4  0  
4  b  2  5  0.5
5  c  2  6  1  

答案 1 :(得分:5)

听起来你想要pandasgroup by or aggregate

答案 2 :(得分:2)

如果您使用numpyscipy,也可以获得更高的效果。

尽管一些丑陋的代码会更快,但如果组的数量非常大并且甚至可能比R差,那么大熊猫的方式会很慢。这总是比R快:

import numpy as np
import numpy.lib.recfunctions
from scipy import ndimage

x = np.rec.fromarrays(([1,1,1,2,2,2],['a','b','c']*2,range(1, 7)), names='d,c,v')

unique, groups = np.unique(x['d'], False, True)
uniques = range(unique.size)
mins = ndimage.minimum(x['v'], groups, uniques)[groups]
maxs = ndimage.maximum(x['v'], groups, uniques)[groups]

x2 = np.lib.recfunctions.append_fields(x, 'v2', (x['v'] - mins)/(maxs - mins + 0.0))

#save as csv
np.savetxt('file.csv', x2, delimiter=';')