- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我使用pandas
对于我所有的平方距离/相似性/相异性矩阵,直到最近它都工作得很好。我一直在处理越来越大的数据集,创建/存储这些具有 100k 属性的成对数据点更是一项艰巨的任务(1e5**2 = 10,000,000,000 个单元格在我的矩阵中)。我意识到这效率低下且计算简单,但在处理具有 1000 个属性的数据集时它从来都不是问题。
我的问题是,如何使用 pandas
的索引功能存储效率为scipy.spatial.distance.squareform
凝聚矩阵?
我可以编写一个可以执行此操作的工具,但如果 pandas
中已存在该工具我更喜欢使用这种方法。如果pandas
中不存在这个并且应该是功能请求,我可以在 GitHub 上这样做。
from sklearn.datasets import load_iris
import pandas as pd
from scipy.spatial import distance
# Load data
X = pd.DataFrame(load_iris().data, columns = load_iris().feature_names, index = map(lambda x:"iris_%d"%x, range(150)))
# Get distance matrix (labeled)
DF_dism = 1 - X.T.corr()
DF_dism.shape
(150, 150)
# Index the matrix to get a pairwise distance between 2 labeled objects
print(DF_dism.loc["iris_5","iris_140"])
# 0.410805649878
# Condense into squareform
distance.squareform(DF_dism)
# Now it's not labeled and I can't index it
# array([ 4.00133876e-03, 2.60889537e-05, 1.83154822e-03, ...,
# 4.29187441e-03, 5.53987884e-03, 8.41229000e-05])
版本:
Python= 3.6.0 |Anaconda 4.3.0 (x86_64)| (default, Dec 23 2016, 13:19:00)
[GCC 4.2.1 Compatible Apple LLVM 6.0 (clang-600.0.57)]
Pandas= 0.19.2
SciPy= 0.18.1
最佳答案
更新:从成对距离数组生成多索引系列
In [236]: from itertools import combinations
In [237]: s = pd.Series(distance.pdist(X, 'correlation'),
index=pd.MultiIndex.from_tuples(tuple(combinations(X.index, 2))))
In [238]: s
Out[238]:
iris_0 iris_1 0.004001
iris_2 0.000026
iris_3 0.001832
iris_4 0.000653
iris_5 0.000414
iris_6 0.001189
iris_7 0.000462
iris_8 0.001923
iris_9 0.003448
iris_10 0.000015
...
iris_145 iris_146 0.001535
iris_147 0.002642
iris_148 0.013283
iris_149 0.015462
iris_146 iris_147 0.003431
iris_148 0.011531
iris_149 0.013519
iris_147 iris_148 0.004292
iris_149 0.005540
iris_148 iris_149 0.000084
dtype: float64
“标记”访问示例:
In [239]: s.loc[("iris_5","iris_140")]
Out[239]: 0.41080564987753798
结果系列的形状:
In [240]: s.shape
Out[240]: (11175,)
<小时/>
旧答案:
试试这个:
In [205]: r = pd.DataFrame(distance.squareform(distance.pdist(X, 'correlation')),
...: columns=X.index,
...: index=X.index)
...:
In [206]: r.loc["iris_5","iris_140"]
Out[206]: 0.41080564987753798
生成的 DF:
In [207]: r
Out[207]:
iris_0 iris_1 iris_2 iris_3 iris_4 ... iris_145 iris_146 iris_147 iris_148 iris_149
iris_0 0.000000 0.004001 0.000026 0.001832 0.000653 ... 0.353135 0.394002 0.346527 0.366083 0.366842
iris_1 0.004001 0.000000 0.003393 0.002603 0.007767 ... 0.294121 0.332886 0.291017 0.313743 0.315165
iris_2 0.000026 0.003393 0.000000 0.001667 0.000939 ... 0.348695 0.389447 0.342444 0.362369 0.363194
iris_3 0.001832 0.002603 0.001667 0.000000 0.003281 ... 0.313620 0.352149 0.305462 0.322263 0.322775
iris_4 0.000653 0.007767 0.000939 0.003281 0.000000 ... 0.374509 0.415817 0.365971 0.383464 0.383862
iris_5 0.000414 0.006408 0.000623 0.002167 0.000117 ... 0.362864 0.403644 0.354281 0.371513 0.371912
iris_6 0.001189 0.009279 0.001562 0.003861 0.000086 ... 0.380048 0.421352 0.370647 0.387134 0.387373
iris_7 0.000462 0.002882 0.000395 0.000454 0.001497 ... 0.333187 0.372898 0.325761 0.343900 0.344528
iris_8 0.001923 0.001454 0.001644 0.000167 0.003969 ... 0.307973 0.346558 0.301079 0.319367 0.320108
iris_9 0.003448 0.000967 0.003014 0.000693 0.006239 ... 0.292241 0.330160 0.285997 0.304751 0.305618
... ... ... ... ... ... ... ... ... ... ... ...
iris_140 0.402175 0.342250 0.397769 0.358920 0.423142 ... 0.003630 0.000877 0.002683 0.006913 0.008383
iris_141 0.314419 0.257357 0.310069 0.277623 0.335490 ... 0.001735 0.006496 0.005755 0.019704 0.022182
iris_142 0.425351 0.367426 0.421202 0.379547 0.444834 ... 0.012273 0.006979 0.006358 0.003563 0.004110
iris_143 0.415332 0.357244 0.411146 0.370246 0.435053 ... 0.009473 0.005029 0.004562 0.003381 0.004123
iris_144 0.396952 0.338613 0.392700 0.353271 0.417104 ... 0.005162 0.002333 0.002158 0.004033 0.005143
iris_145 0.353135 0.294121 0.348695 0.313620 0.374509 ... 0.000000 0.001535 0.002642 0.013283 0.015462
iris_146 0.394002 0.332886 0.389447 0.352149 0.415817 ... 0.001535 0.000000 0.003431 0.011531 0.013519
iris_147 0.346527 0.291017 0.342444 0.305462 0.365971 ... 0.002642 0.003431 0.000000 0.004292 0.005540
iris_148 0.366083 0.313743 0.362369 0.322263 0.383464 ... 0.013283 0.011531 0.004292 0.000000 0.000084
iris_149 0.366842 0.315165 0.363194 0.322775 0.383862 ... 0.015462 0.013519 0.005540 0.000084 0.000000
[150 rows x 150 columns]
关于python - 如何像 `squareform` pd.DataFrame 一样索引压缩的 `Pandas` 矩阵? (Python 3),我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/42613827/
pandas.crosstab 和 Pandas 数据透视表似乎都提供了完全相同的功能。有什么不同吗? 最佳答案 pivot_table没有 normalize争论,不幸的是。 在 crosstab
我能找到的最接近的答案似乎太复杂:How I can create an interval column in pandas? 如果我有一个如下所示的 pandas 数据框: +-------+ |
这是我用来将某一行的一列值移动到同一行的另一列的当前代码: #Move 2014/15 column ValB to column ValA df.loc[(df.Survey_year == 201
我有一个以下格式的 Pandas 数据框: df = pd.DataFrame({'a' : [0,1,2,3,4,5,6], 'b' : [-0.5, 0.0, 1.0, 1.2, 1.4,
所以我有这两个数据框,我想得到一个新的数据框,它由两个数据框的行的克罗内克积组成。正确的做法是什么? 举个例子:数据框1 c1 c2 0 10 100 1 11 110 2 12
TL;DR:在 pandas 中,如何绘制条形图以使其 x 轴刻度标签看起来像折线图? 我制作了一个间隔均匀的时间序列(每天一个项目),并且可以像这样很好地绘制它: intensity[350:450
我有以下两个时间列,“Time1”和“Time2”。我必须计算 Pandas 中的“差异”列,即 (Time2-Time1): Time1 Time2
从这个 df 去的正确方法是什么: >>> df=pd.DataFrame({'a':['jeff','bob','jill'], 'b':['bob','jeff','mike']}) >>> df
我想按周从 Pandas 框架中的列中累积计算唯一值。例如,假设我有这样的数据: df = pd.DataFrame({'user_id':[1,1,1,2,2,2],'week':[1,1,2,1,
数据透视表的表示形式看起来不像我在寻找的东西,更具体地说,结果行的顺序。 我不知道如何以正确的方式进行更改。 df示例: test_df = pd.DataFrame({'name':['name_1
我有一个数据框,如下所示。 Category Actual Predicted 1 1 1 1 0
我有一个 df,如下所示。 df: ID open_date limit 1 2020-06-03 100 1 2020-06-23 500
我有一个 df ,其中包含与唯一值关联的各种字符串。对于这些唯一值,我想删除不等于单独列表的行,最后一行除外。 下面使用 Label 中的各种字符串值与 Item 相关联.所以对于每个唯一的 Item
考虑以下具有相同名称的列的数据框(显然,这确实发生了,目前我有一个像这样的数据集!:() >>> df = pd.DataFrame({"a":range(10,15),"b":range(5,10)
我在 Pandas 中有一个 DF,它看起来像: Letters Numbers A 1 A 3 A 2 A 1 B 1 B 2
如何减去两列之间的时间并将其转换为分钟 Date Time Ordered Time Delivered 0 1/11/19 9:25:00 am 10:58:00 am
我试图理解 pandas 中的下/上百分位数计算,但有点困惑。这是它的示例代码和输出。 test = pd.Series([7, 15, 36, 39, 40, 41]) test.describe(
我有一个多索引数据框,如下所示: TQ bought HT Detailed Instru
我需要从包含值“低”,“中”或“高”的数据框列创建直方图。当我尝试执行通常的df.column.hist()时,出现以下错误。 ex3.Severity.value_counts() Out[85]:
我试图根据另一列的长度对一列进行子串,但结果集是 NaN .我究竟做错了什么? import pandas as pd df = pd.DataFrame([['abcdefghi','xyz'],
我是一名优秀的程序员,十分优秀!