python - seleccionar - funciones de pandas para leer datos a tablas

La mejor manera de unirse/fusionarse por rango en pandas

Question

Con frecuencia uso pandas para fusionar (unir) usando una condición de rango.

Por ejemplo, si hay 2 marcos de datos:

A (A_id, A_value)

B (B_id, B_low, B_high, B_name)

que son grandes y aproximadamente del mismo tamaño (digamos que 2M registra cada uno).

Me gustaría hacer una unión interna entre A y B, por lo que A_value estaría entre B_low y B_high.

Usando la sintaxis SQL que sería:

SELECT *
FROM A,B
WHERE A_value between B_low and B_high

y eso sería realmente fácil, corto y eficiente.

Mientras tanto, en los pandas, la única forma (que no está usando los bucles que encontré) es creando una columna ficticia en ambas tablas, unir en ella (equivalente a la unión cruzada) y luego filtrar las filas innecesarias. Eso suena pesado y complejo:

A[''dummy''] = 1
B[''dummy''] = 1
Temp = pd.merge(A,B,on=''dummy'')
Result = Temp[Temp.A_value.between(Temp.B_low,Temp.B_high)]

Otra solución que tuve es aplicar a cada uno de los valores de A una función de búsqueda en B usando la máscara B[(x>=B.B_low) & (x<=B.B_high)] , pero también suena ineficiente y podría requieren optimización de índice.

¿Existe una forma más elegante y / o eficiente de realizar esta acción?

Answer 1

Considere que su marco de datos A es

A = pd.DataFrame([[0,2],[1,3],[2,4],[3,5],[4,6]],columns=[''A_id'', ''A_value''])

y el marco de datos B es

B = pd.DataFrame([[0,1,2,''a''],[1,4,9,''b''],[2,2,5,''c''],[3,6,7,''d''],[4,8,9,''e'']],columns=[''B_id'', ''B_low'', ''B_high'', ''B_name''])

usando esto a continuación obtendrá la salida deseada

A = A[(A[''A_value'']>=B[''B_low''])&(A[''A_value'']<=B[''B_high''])]

Answer 2

No estoy seguro de que sea más eficiente, sin embargo, puede usar sql directamente (desde el módulo sqlite3, por ejemplo) con pandas (inspirados en esta pregunta ) como:

conn = sqlite3.connect(":memory:")
df2 = pd.DataFrame(np.random.randn(10, 5), columns=["col1", "col2", "col3", "col4", "col5"])
df1 = pd.DataFrame(np.random.randn(10, 5), columns=["col1", "col2", "col3", "col4", "col5"])
df1.to_sql("df1", conn, index=False)
df2.to_sql("df2", conn, index=False)
qry = "SELECT * FROM df1, df2 WHERE df1.col1 > 0 and df1.col1<0.5"
tt = pd.read_sql_query(qry,conn)

Puede adaptar la consulta según sea necesario en su aplicación

Answer 3

No sé qué tan eficiente es, pero alguien escribió un contenedor que le permite usar la sintaxis SQL con objetos pandas. Eso se llama pandasql . La documentación indica explícitamente que las uniones son compatibles. Esto podría ser al menos más fácil de leer ya que la sintaxis SQL es muy legible.

Answer 4

Tomemos un ejemplo simple:

df=pd.DataFrame([2,3,4,5,6],columns=[''A''])

devoluciones

 A
0 2
1 3
2 4
3 5
4 6

ahora definamos un segundo marco de datos

df2=pd.DataFrame([1,6,2,3,5],columns=[''B_low''])
df2[''B_high'']=[2,8,4,6,6]

resultados en

 B_low B_high
0 1 2
1 6 8
2 2 4
3 3 6
4 5 6

aquí vamos; y queremos que la salida sea el índice 3 y el valor A 5

df.where(df[''A'']>=df2[''B_low'']).where(df[''A'']<df2[''B_high'']).dropna()

resultados en

 A
3 5.0

Answer 5

Preparar
Considere los marcos de datos A y B

A = pd.DataFrame(dict(
A_id=range(10),
A_value=range(5, 105, 10)
))
B = pd.DataFrame(dict(
B_id=range(5),
B_low=[0, 30, 30, 46, 84],
B_high=[10, 40, 50, 54, 84]
))
A
A_id A_value
0 0 5
1 1 15
2 2 25
3 3 35
4 4 45
5 5 55
6 6 65
7 7 75
8 8 85
9 9 95
B
B_high B_id B_low
0 10 0 0
1 40 1 30
2 50 2 30
3 54 3 46
4 84 4 84

numpy
La forma más fácil es utilizar transmisiones con numpy .
Buscamos que cada instancia de A_value sea ​​mayor o igual que B_low mientras que al mismo tiempo A_value es menor o igual que B_high .

a = A.A_value.values
bh = B.B_high.values
bl = B.B_low.values
i, j = np.where((a[:, None] >= bl) & (a[:, None] <= bh))
pd.DataFrame(
np.column_stack([A.values[i], B.values[j]]),
columns=A.columns.append(B.columns)
)
A_id A_value B_high B_id B_low
0 0 5 10 0 0
1 3 35 40 1 30
2 3 35 50 2 30
3 4 45 50 2 30

Para abordar los comentarios y dar algo parecido a una unión izquierda, agregué la parte de A que no coincide.

pd.DataFrame(
np.column_stack([A.values[i], B.values[j]]),
columns=A.columns.append(B.columns)
).append(
A[~np.in1d(np.arange(len(A)), np.unique(i))],
ignore_index=True, sort=False
)
A_id A_value B_id B_low B_high
0 0 5 0.0 0.0 10.0
1 3 35 1.0 30.0 40.0
2 3 35 2.0 30.0 50.0
3 4 45 2.0 30.0 50.0
4 1 15 NaN NaN NaN
5 2 25 NaN NaN NaN
6 5 55 NaN NaN NaN
7 6 65 NaN NaN NaN
8 7 75 NaN NaN NaN
9 8 85 NaN NaN NaN
10 9 95 NaN NaN NaN