Desarrollo de Python
  1. Desarrollo de Python
  3. Concatenación de cuerdas de dos columnas pandas.
Intereting Posts
Obtención de la ruta del archivo del módulo importado Agregue un campo de conteo a un serializador de django rest framework. ¿Cómo imprimir sobre la línea de raw_input en Python? Guía en la organización de grandes proyectos Django Numpy: principiante nditer Yahoo Finance API / URL no funciona: Corrección de Python para Pandas DataReader scipy.optimize.minimize realizar un seguimiento de la función objective Tabla multilínea con tsplot marino URLs personalizadas usando django rest framework ¿Cómo escribo en el medio de un archivo de texto mientras leo su contenido? ¿Cómo reasignar elementos en una lista en Python? Solicita devuelve bytes y no los puedo decodificar. Python OrderDict sputtering en comparación con dict () ¿Puede un paquete ser requerido solo para pruebas, no para instalación? Mejorar el rendimiento de Pandas Merge

Concatenación de cuerdas de dos columnas pandas.

Tengo un siguiente DataFrame : 

 from pandas import * df = DataFrame({'foo':['a','b','c'], 'bar':[1, 2, 3]})

Se parece a esto: 

  bar foo 0 1 a 1 2 b 2 3 c

Ahora quiero tener algo como: 

  bar 0 1 is a 1 2 is b 2 3 is c

¿Cómo puedo conseguir esto? Intenté lo siguiente: 

 df['foo'] = '%s is %s' % (df['bar'], df['foo'])

pero me da un resultado equivocado: 

 >>>print df.ix[0] bar a foo 0 a 1 b 2 c Name: bar is 0 1 1 2 2 Name: 0

Lo siento por una pregunta tonta, pero este pandas: combinar dos columnas en un DataFrame no fue útil para mí.

df['bar'] = df.bar.map(str) + " is " + df.foo .

El problema en su código es que desea aplicar la operación en cada fila. La forma en que lo has escrito toma las columnas ‘bar’ y ‘foo’ completas, las convierte en cadenas y te devuelve una cadena grande. Puedes escribirlo como: 

 df.apply(lambda x:'%s is %s' % (x['bar'],x['foo']),axis=1)

Es más largo que la otra respuesta pero es más genérico (puede usarse con valores que no son cadenas).

También podrías usar 

 df['bar'] = df['bar'].str.cat(df['foo'].values.astype(str), sep=' is ')

Aquí hay más soluciones, en orden creciente de rendimiento.

DataFrame.agg

Este es un enfoque simple basado en str.format . 

 df['baz'] = df.agg('{0[bar]} is {0[foo]}'.format, axis=1) df foo bar baz 0 a 1 1 is a 1 b 2 2 is b 2 c 3 3 is c

También puede utilizar el formato de cadena f aquí: 

 df['baz'] = df.agg(lambda x: f"{x['bar']} is {x['foo']}", axis=1) df foo bar baz 0 a 1 1 is a 1 b 2 2 is b 2 c 3 3 is c

Concatenación basada en char.array

Convierta las columnas para concatenar como chararrays , luego agréguelas. 

 a = np.char.array(df['bar'].values) b = np.char.array(df['foo'].values) df['baz'] = (a + b' is ' + b).astype(str) df foo bar baz 0 a 1 1 is a 1 b 2 2 is b 2 c 3 3 is c

Comprensión de lista con zip

No puedo exagerar el grado de comprensión de las listas subestimadas en pandas. 

 df['baz'] = [str(x) + ' is ' + y for x, y in zip(df['bar'], df['foo'])]

Alternativamente, usar str.join to concat (también escalará mejor): 

 df['baz'] = [ ' '.join([str(x), 'is', y]) for x, y in zip(df['bar'], df['foo'])] 

 df foo bar baz 0 a 1 1 is a 1 b 2 2 is b 2 c 3 3 is c

Las comprensiones de listas sobresalen en la manipulación de cadenas, porque las operaciones de cadenas son intrínsecamente difíciles de vectorizar, y la mayoría de las funciones “vectorizadas” de los pandas son básicamente envoltorios alrededor de los bucles. He escrito mucho sobre este tema en Para bucles con pandas: ¿cuándo debería importarme? . En general, si no tiene que preocuparse por la alineación del índice, use una comprensión de lista cuando trate con operaciones de cadenas y expresiones regulares.

La lista comp arriba de manera predeterminada no maneja los NaN. Sin embargo, siempre puede escribir una función envolviendo un bash, excepto si necesita manejarlo. 

 def try_concat(x, y): try: return str(x) + ' is ' + y except (ValueError, TypeError): return np.nan df['baz'] = [try_concat(x, y) for x, y in zip(df['bar'], df['foo'])]

perfplot rendimiento de perfplot : configuración y tiempos

Podemos perfplot estas soluciones usando perfplot : 

 data = {'bar': {0: 1, 1: 2, 2: 3}, 'foo': {0: 'a', 1: 'b', 2: 'c'}} df_ = pd.DataFrame(data) perfplot.show( setup=lambda n: pd.concat([df_] * n, ignore_index=True), kernels=[ brenbarn, danielvelkov, chrimuelle, vladimiryashin, erickfis, cs1_format, cs1_fstrings, cs2, cs3 ], labels=[ 'brenbarn', 'danielvelkov', 'chrimuelle', 'vladimiryashin', 'erickfis', 'cs1_format', 'cs1_fstrings', 'cs2', 'cs3' ], n_range=[2**k for k in range(0, 8)], xlabel='N (x len(df_))', logy=True, equality_check=lambda x, y: (x == y).values.all() )

introduzca la descripción de la imagen aquí

El rendimiento es relativo; La gráfica es logarítmica a lo largo del eje Y.

Funciones 

 def brenbarn(df): return df.assign(baz=df.bar.map(str) + " is " + df.foo) def danielvelkov(df): return df.assign(baz=df.apply( lambda x:'%s is %s' % (x['bar'],x['foo']),axis=1)) def chrimuelle(df): return df.assign( baz=df['bar'].astype(str).str.cat(df['foo'].values, sep=' is ')) def vladimiryashin(df): return df.assign(baz=df.astype(str).apply(lambda x: ' is '.join(x), axis=1)) def erickfis(df): return df.assign( baz=df.apply(lambda x: f"{x['bar']} is {x['foo']}", axis=1)) def cs1_format(df): return df.assign(baz=df.agg('{0[bar]} is {0[foo]}'.format, axis=1)) def cs1_fstrings(df): return df.assign(baz=df.agg(lambda x: f"{x['bar']} is {x['foo']}", axis=1)) def cs2(df): a = np.char.array(df['bar'].values) b = np.char.array(df['foo'].values) return df.assign(baz=(a + b' is ' + b).astype(str)) def cs3(df): return df.assign( baz=[str(x) + ' is ' + y for x, y in zip(df['bar'], df['foo'])]) 
 df.astype(str).apply(lambda x: ' is '.join(x), axis=1) 0 1 is a 1 2 is b 2 3 is c dtype: object

La respuesta de @DanielVelkov es la correcta PERO el uso de literales de cadena es 10 veces más rápido 

 # Daniel's %timeit df.apply(lambda x:'%s is %s' % (x['bar'],x['foo']),axis=1) # String literals - python 3 %timeit df.apply(lambda x: f"{x['bar']} is {x['foo']}", axis=1)