libreria - Combina dos columnas de texto en el marco de datos en pandas/python

pandas merge by index

Question

Tengo una trama de datos de 20 x 4000 en Python usando pandas. Dos de estas columnas se denominan año y trimestre. Me gustaría crear una variable llamada período que hace que Year = 2000 y quarter = q2 en 2000q2

¿Alguien puede ayudar con eso?

Answer 1

A medida que sus datos se insertan en un marco de datos, este comando debería resolver su problema:

df[''period''] = df[[''Year'', ''quarter'']].apply(lambda x: '' ''.join(x.astype(str)), axis=1)

Answer 2

Aquí hay una implementación que encuentro muy versátil:

In [1]: import pandas as pd
In [2]: df = pd.DataFrame([[0, ''the'', ''quick'', ''brown''],
...: [1, ''fox'', ''jumps'', ''over''],
...: [2, ''the'', ''lazy'', ''dog'']],
...: columns=[''c0'', ''c1'', ''c2'', ''c3''])
In [3]: def str_join(df, sep, *cols):
...: from functools import reduce
...: return reduce(lambda x, y: x.astype(str).str.cat(y.astype(str), sep=sep),
...: [df[col] for col in cols])
...:
In [4]: df[''cat''] = str_join(df, ''-'', ''c0'', ''c1'', ''c2'', ''c3'')
In [5]: df
Out[5]:
c0 c1 c2 c3 cat
0 0 the quick brown 0-the-quick-brown
1 1 fox jumps over 1-fox-jumps-over
2 2 the lazy dog 2-the-lazy-dog

Answer 3

Aunque la respuesta de @silvado es buena si cambia df.map(str) a df.astype(str) será más rápido:

import pandas as pd
df = pd.DataFrame({''Year'': [''2014'', ''2015''], ''quarter'': [''q1'', ''q2'']})
In [131]: %timeit df["Year"].map(str)
10000 loops, best of 3: 132 us per loop
In [132]: %timeit df["Year"].astype(str)
10000 loops, best of 3: 82.2 us per loop

Answer 4

Como muchos han mencionado anteriormente, debe convertir cada columna en cadena y luego usar el operador más para combinar dos columnas de cadena. Puede obtener una gran mejora de rendimiento utilizando NumPy.

%timeit df[''Year''].values.astype(str) + df.quarter
71.1 ms ± 3.76 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
%timeit df[''Year''].astype(str) + df[''quarter'']
565 ms ± 22.3 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

Answer 5

El método cat() del .str funciona muy bien para esto:

>>> import pandas as pd
>>> df = pd.DataFrame([["2014", "q1"],
... ["2015", "q3"]],
... columns=(''Year'', ''Quarter''))
>>> print(df)
Year Quarter
0 2014 q1
1 2015 q3
>>> df[''Period''] = df.Year.str.cat(df.Quarter)
>>> print(df)
Year Quarter Period
0 2014 q1 2014q1
1 2015 q3 2015q3

cat() incluso le permite agregar un separador por lo que, por ejemplo, suponga que solo tiene números enteros para el año y el período, puede hacer esto:

>>> import pandas as pd
>>> df = pd.DataFrame([[2014, 1],
... [2015, 3]],
... columns=(''Year'', ''Quarter''))
>>> print(df)
Year Quarter
0 2014 1
1 2015 3
>>> df[''Period''] = df.Year.astype(str).str.cat(df.Quarter.astype(str), sep=''q'')
>>> print(df)
Year Quarter Period
0 2014 1 2014q1
1 2015 3 2015q3

Unir varias columnas es solo una cuestión de pasar una lista de series o un marco de datos que contenga todas las columnas excepto la primera como parámetro para str.cat() invocado en la primera columna (Series):

>>> df = pd.DataFrame(
... [[''USA'', ''Nevada'', ''Las Vegas''],
... [''Brazil'', ''Pernambuco'', ''Recife'']],
... columns=[''Country'', ''State'', ''City''],
... )
>>> df[''AllTogether''] = df[''Country''].str.cat(df[[''State'', ''City'']], sep='' - '')
>>> print(df)
Country State City AllTogether
0 USA Nevada Las Vegas USA - Nevada - Las Vegas
1 Brazil Pernambuco Recife Brazil - Pernambuco - Recife

Tenga en cuenta que si su marco de datos / serie de pandas tiene valores nulos, debe incluir el parámetro na_rep para reemplazar los valores de NaN por una cadena, de lo contrario, la columna combinada se establecerá de manera predeterminada en NaN.

Answer 6

Mi respuesta es un poco tarde, pero creo que más tarde es mejor que nunca. Supongamos que su dataframe es df con columnas Year y Quarter .

import pandas as pd
df = pd.DataFrame({''Quarter'':''q1 q2 q3 q4''.split(), ''Year'':''2000''})

Supongamos que queremos ver el marco de datos;

df
>>> Quarter Year
0 q1 2000
1 q2 2000
2 q3 2000
3 q4 2000

Finalmente, concatene el Year y el Quarter siguiente manera.

df[''Period''] = df[''Year''] + '' '' + df[''Quarter'']

Ahora puede print df para ver el marco de datos resultante.

df
>>> Quarter Year Period
0 q1 2000 2000 q1
1 q2 2000 2000 q2
2 q3 2000 2000 q3
3 q4 2000 2000 q4

Si no desea el espacio entre el año y el trimestre, simplemente elimínelo haciendo;

df[''Period''] = df[''Year''] + df[''Quarter'']

Espero que esto te ayude.

Answer 7

Usar zip podría ser aún más rápido:

dataframe["period"] = ([''''.join(i) for i in
zip(dataframe["Year"].map(str),dataframe["quarter"])])

En el conjunto de datos a continuación, zip() fue el más completo de todos: https://.com/a/50316945/7386332

import pandas as pd
data = ''''''/
ID,Host,Protocol,Port
1,10.0.0.10,tcp,445
1,10.0.0.10,tcp,445
1,10.0.0.10,tcp,445
1,10.0.0.10,tcp,445
1,10.0.0.10,tcp,445
1,10.0.0.10,tcp,445
1,10.0.0.10,tcp,445
1,10.0.0.10,tcp,49707
1,10.0.0.10,tcp,49672
1,10.0.0.10,tcp,49670''''''
df = pd.read_csv(pd.compat.StringIO(data)) # Recreates a sample dataframe
df = pd.concat([df]*10000)
%timeit df[''Host''] + "/" + df[''Protocol''] + "/" + df[''Port''].map(str)
%timeit [''/''.join(i) for i in zip(df[''Host''],df[''Protocol''],df[''Port''].map(str))]
%timeit [''/''.join(i) for i in df[[''Host'',''Protocol'',''Port'']].astype(str).values]
10 loops, best of 3: 39.7 ms per loop
10 loops, best of 3: 35.9 ms per loop
10 loops, best of 3: 162 ms per loop

Answer 8

Uso de una función lamba esta vez con string.format ().

import pandas as pd
df = pd.DataFrame({''Year'': [''2014'', ''2015''], ''Quarter'': [''q1'', ''q2'']})
print df
df[''YearQuarter''] = df[[''Year'',''Quarter'']].apply(lambda x : ''{}{}''.format(x[0],x[1]), axis=1)
print df
Quarter Year
0 q1 2014
1 q2 2015
Quarter Year YearQuarter
0 q1 2014 2014q1
1 q2 2015 2015q2

Esto le permite trabajar con cadenas y valores de formato según sea necesario.

import pandas as pd
df = pd.DataFrame({''Year'': [''2014'', ''2015''], ''Quarter'': [1, 2]})
print df.dtypes
print df
df[''YearQuarter''] = df[[''Year'',''Quarter'']].apply(lambda x : ''{}q{}''.format(x[0],x[1]), axis=1)
print df
Quarter int64
Year object
dtype: object
Quarter Year
0 1 2014
1 2 2015
Quarter Year YearQuarter
0 1 2014 2014q1
1 2 2015 2015q2

Answer 9

Utilice .combine_first .

df[''Period''] = df[''Year''].combine_first(df[''Quarter''])

Answer 10

más eficiente es

def concat_df_str1(df):
""" run time: 1.3416s """
return pd.Series([''''.join(row.astype(str)) for row in df.values], index=df.index)

Y aquí hay una prueba de tiempo:

import numpy as np
import pandas as pd
from time import time
def concat_df_str1(df):
""" run time: 1.3416s """
return pd.Series([''''.join(row.astype(str)) for row in df.values], index=df.index)
def concat_df_str2(df):
""" run time: 5.2758s """
return df.astype(str).sum(axis=1)
def concat_df_str3(df):
""" run time: 5.0076s """
df = df.astype(str)
return df[0] + df[1] + df[2] + df[3] + df[4] + /
df[5] + df[6] + df[7] + df[8] + df[9]
def concat_df_str4(df):
""" run time: 7.8624s """
return df.astype(str).apply(lambda x: ''''.join(x), axis=1)
def main():
df = pd.DataFrame(np.zeros(1000000).reshape(100000, 10))
df = df.astype(int)
time1 = time()
df_en = concat_df_str4(df)
print(''run time: %.4fs'' % (time() - time1))
print(df_en.head(10))
if __name__ == ''__main__'':
main()

final, cuando se usa sum (concat_df_str2), el resultado no es simplemente concat, se convertirá en entero.

Answer 11

otra forma de hacer esto:

df[''period''] = df[''Year''].astype(str) + df[''quarter'']

o un poco más lento:

df[''period''] = df[[''Year'',''quarter'']].astype(str).sum(axis=1)

Vamos a probarlo en 200K filas DF:

In [250]: df
Out[250]:
Year quarter
0 2014 q1
1 2015 q2
In [251]: df = pd.concat([df] * 10**5)
In [252]: df.shape
Out[252]: (200000, 2)

ACTUALIZACIÓN: Gráfico de tiempo Pandas 0.23.0

ACTUALIZACIÓN: nuevos tiempos usando Pandas 0.19.0

Tiempo sin optimización de CPU / GPU (ordenados de más rápido a más lento):

In [107]: %timeit df[''Year''].astype(str) + df[''quarter'']
10 loops, best of 3: 131 ms per loop
In [106]: %timeit df[''Year''].map(str) + df[''quarter'']
10 loops, best of 3: 161 ms per loop
In [108]: %timeit df.Year.str.cat(df.quarter)
10 loops, best of 3: 189 ms per loop
In [109]: %timeit df.loc[:, [''Year'',''quarter'']].astype(str).sum(axis=1)
1 loop, best of 3: 567 ms per loop
In [110]: %timeit df[[''Year'',''quarter'']].astype(str).sum(axis=1)
1 loop, best of 3: 584 ms per loop
In [111]: %timeit df[[''Year'',''quarter'']].apply(lambda x : ''{}{}''.format(x[0],x[1]), axis=1)
1 loop, best of 3: 24.7 s per loop

Tiempo usando la optimización de CPU / GPU:

In [113]: %timeit df[''Year''].astype(str) + df[''quarter'']
10 loops, best of 3: 53.3 ms per loop
In [114]: %timeit df[''Year''].map(str) + df[''quarter'']
10 loops, best of 3: 65.5 ms per loop
In [115]: %timeit df.Year.str.cat(df.quarter)
10 loops, best of 3: 79.9 ms per loop
In [116]: %timeit df.loc[:, [''Year'',''quarter'']].astype(str).sum(axis=1)
1 loop, best of 3: 230 ms per loop
In [117]: %timeit df[[''Year'',''quarter'']].astype(str).sum(axis=1)
1 loop, best of 3: 230 ms per loop
In [118]: %timeit df[[''Year'',''quarter'']].apply(lambda x : ''{}{}''.format(x[0],x[1]), axis=1)
1 loop, best of 3: 9.38 s per loop

Answer 12

dataframe["period"] = dataframe["Year"].astype(str).add(dataframe["quarter"])

o si los valores son como [2000] [4] y quieren hacer [2000q4]

dataframe["period"] = dataframe["Year"].astype(str).add(''q'').add(dataframe["quarter"]).astype(str)

La sustitución de .astype(str) con .map(str) también funciona.

Answer 13

dataframe["period"] = dataframe["Year"].map(str) + dataframe["quarter"]

Answer 14

def madd(x):
"""Performs element-wise string concatenation with multiple input arrays.
Args:
x: iterable of np.array.
Returns: np.array.
"""
for i, arr in enumerate(x):
if type(arr.item(0)) is not str:
x[i] = x[i].astype(str)
return reduce(np.core.defchararray.add, x)

Por ejemplo:

data = list(zip([2000]*4, [''q1'', ''q2'', ''q3'', ''q4'']))
df = pd.DataFrame(data=data, columns=[''Year'', ''quarter''])
df[''period''] = madd([df[col].values for col in [''Year'', ''quarter'']])
df
Year quarter period
0 2000 q1 2000q1
1 2000 q2 2000q2
2 2000 q3 2000q3
3 2000 q4 2000q4

Answer 15

df = pd.DataFrame({''Year'': [''2014'', ''2015''], ''quarter'': [''q1'', ''q2'']})
df[''period''] = df[[''Year'', ''quarter'']].apply(lambda x: ''''.join(x), axis=1)

Rinde este marco de datos

 Year quarter period
0 2014 q1 2014q1
1 2015 q2 2015q2

Este método generaliza a un número arbitrario de columnas de cadena reemplazando df[[''Year'', ''quarter'']] con cualquier segmento de columna de su marco de datos, por ejemplo, df.iloc[:,0:2].apply(lambda x: ''''.join(x), axis=1) .

Puede consultar más información sobre el método apply () here