我有以下熊猫DataFrame:
import numpy as np
import pandas as pd
np.random.seed(0)
test_df = pd.DataFrame({"category": ["A", "B"]*5, "value": np.random.uniform(size=10)})
print(test_df)
# category value
#0 A 0.548814
#1 B 0.715189
#2 A 0.602763
#3 B 0.544883
#4 A 0.423655
#5 B 0.645894
#6 A 0.437587
#7 B 0.891773
#8 A 0.963663
#9 B 0.383442
我想使用
value
对pandas.cut
列进行装箱,但是bins
参数需要根据category
列而有所不同。具体来说,我想使用以下字典来定义用于
cut
的容器:bins = {
"A": [0.00, 0.25, 0.50, 0.75, 1],
# 0, 1, 2, 3, 4 <-- corresponding bin value
"B": [0.00, 0.33, 0.66, 1]
# 0, 1, 2, 3 <-- corresponding bin value
}
我想出了以下解决方案,该解决方案是首先使用所有垃圾箱削减
value
列:cuts = {
c: pd.cut(test_df["value"], bins=bins[c], labels=range(1, len(bins[c]))) for c in bins
}
然后使用
numpy.select
将适当的bin分配回test_df
:test_df["bin"] = np.select(*zip(*[(test_df["category"] == c, cuts[c]) for c in bins]))
print(test_df)
# category value bin
#0 A 0.548814 3
#1 B 0.715189 3
#2 A 0.602763 3
#3 B 0.544883 2
#4 A 0.423655 2
#5 B 0.645894 2
#6 A 0.437587 2
#7 B 0.891773 3
#8 A 0.963663 4
#9 B 0.383442 2
这是正确的答案,但是有没有更有效的方法?理想情况下,应该有一种方法不涉及在每个不同的容器上调用
cut
。在我的真实数据中,我有2个以上的箱。 最佳答案
也许将numpy与np.searchsorted一起使用:
test_df['bin'] = [np.searchsorted(bins[i], v) for i, v in test_df.values]
输出:
category value bin
0 A 0.548814 3
1 B 0.715189 3
2 A 0.602763 3
3 B 0.544883 2
4 A 0.423655 2
5 B 0.645894 2
6 A 0.437587 2
7 B 0.891773 3
8 A 0.963663 4
9 B 0.383442 2
时机
%timeit np.select(zip([(test_df [“ category”] == c,cuts [c])for c in
垃圾箱])
每个循环1.21 ms±14.3 µs(平均±标准偏差,共运行7次,每个循环1000个)
和
%timeit [np.searchsorted(bins [i],v)for i,v in test_df.values]
每个循环301 µs±4.14 µs(平均±标准偏差,共运行7次,每个循环1000个)
关于python - Pandas 通过基于另一列的bins参数有效地削减了列,我们在Stack Overflow上找到一个类似的问题:https://stackoverflow.com/questions/57314615/