python - 有效地将 pandas 数据框列名转换为行值

Question

我正在处理站点 key 的日志数据，然后处理事件和时间戳的键/值对。预处理将其作为具有不确定列数(可以是 1-N)的 pandas 数据帧提供，其中列是键，值是时间戳。我知道这是一个不太理想的结构，但我无法改变它。什么是对数据帧进行操作的有效方法，以便对于每个键，我都能够计算非空列并识别非空值？

这是假设的 raw data :

KeyCol  ValCol1 ValCol2 ValCol3
A   ValCol1 ValCol2 nan
B   nan nan nan
C   ValCol1 nan ValCol3
D   nan ValCol2 nan
C   nan nan ValCol3

这是 desired output :

KeyCol  Len Vals
A   2   [ValCol1, ValCol2]
B   0   []
C   2   [ValCol1, ValCol3]
D   1   [ValCol2]

这是我到目前为止所做的...但似乎效率低下。我将如何优化它？

import pandas as pd

def iterate_rows_for_nonnulls(df, grouper):
    assert isinstance(df, pd.DataFrame)
    assert isinstance(grouper, (list, tuple))

    aggdic = {}
    for row, data in df.iterrows():
        key = tuple(data[grouper])
        nonnulls = data[~data.index.isin(grouper)]
        nonnulls = nonnulls[nonnulls.notnull()]
        data[data.notnull()]
        if key not in aggdic: 
            aggdic[key] = {}
            aggdic[key]['vals'] = nonnulls
        else:
            aggdic[key]['vals'] = aggdic[key]['vals'].append(nonnulls)

    for key, val in aggdic.iteritems():
        aggdic[key]['vals'] = aggdic[key]['vals'].unique()
        aggdic[key]['len'] = len(aggdic[key]['vals'])
    # Testing using [key for key in aggdic.iteritems() if aggdic[key[0]]['len']>0 ]
    return aggdic

def construct_df_from_nonnulls(aggdic):
    assert isinstance(aggdic, dict)
    return pd.DataFrame(dict(aggdic)).T

sourcedf = pd.read_table('https://gist.githubusercontent.com/roablep/a11da82de18b14bd2c3c/raw/257f2fa7634002db267e2ef599d6e0cd330c1c72/Sourcedata', sep = "\t")
aggdic = iterate_rows_for_nonnulls(sourcedf, ['KeyCol'])
resultsdf = construct_df_from_nonnulls(aggdic)

Answer 1

假设我对你的理解是正确的——列名与这些列中所有元素的值相同是很奇怪的——我想你可以简单地在它之后抛出groupby 熔化:

>>> d2 = pd.melt(df,id_vars="KeyCol")
>>> grouped = d2.groupby("KeyCol", as_index=False)["value"]
>>> dout = grouped.agg({"Len": "nunique", 
                        "Vals": lambda x: x.dropna().unique().tolist()})
>>> dout
  KeyCol                Vals  Len
0      A  [ValCol1, ValCol2]    2
1      B                  []    0
2      C  [ValCol1, ValCol3]    2
3      D           [ValCol2]    1

阅读 split-apply-combine 上的文档部分强烈推荐模式。

也就是说，请注意，将非标量对象(如 Series 或 DataFrame 中的列表)作为元素会让人头疼——它们实际上不受支持。有时，作为中间步骤的临时措施可能很有用，但在制作完该系列后，您实际上无法对其做太多事情。