Dask与Pandas数据帧在这里可能没有什么区别,除了Dask中没有多索引之外,但我有一个Dask数据帧,比如:
dd = pd.DataFrame({
'name': ['a1', 'a1', 'a1', 'a1', 'a2', 'a2', 'a2'],
'key1': ['A', 'A', 'B', 'B', 'A' , 'A', 'B' ],
'key2': ['C', 'D', 'C', 'D', 'C', 'D', 'C' ],
'val1': [0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7 ],
'val2': [0.9, 0.8, 0.7, 0.6, 0.5, 0.4, 0.3 ],
})
print(dd)
name key1 key2 val1 val2
0 a1 A C 0.1 0.9
1 a1 A D 0.2 0.8
2 a1 B C 0.3 0.7
3 a1 B D 0.4 0.6
4 a2 A C 0.5 0.5
5 a2 A D 0.6 0.4
6 a2 B C 0.7 0.3
对于"name"="a2",缺少"key1"="B"one_answers"key2"="D"组合。在不使用多索引(Dask不支持(的情况下,如何填充将"val1"one_answers"val2"设置为NaN
或其他值的新行?我也对Pandas解决方案感兴趣。
请注意,这是一个示例,必须针对多个缺失的组合键执行此操作。
预期输出为:
name key1 key2 val1 val2
0 a1 A C 0.1 0.9
1 a1 A D 0.2 0.8
2 a1 B C 0.3 0.7
3 a1 B D 0.4 0.6
4 a2 A C 0.5 0.5
5 a2 A D 0.6 0.4
6 a2 B C 0.7 0.3
7 a2 B D nan nan
您可以使用创建一个包含所有所需键的新数据帧,并合并这两个数据帧。
from itertools import product
fixed_keys = product(['a1', 'a2'], ['A', 'B'], ['C', 'D'])
key_frame = pd.DataFrame(fixed_keys, columns=['name', 'key1', 'key2'])
new_frame = pd.merge(key_frame, dd, on=['name', 'key1', 'key2'], how='left')
print(new_frame)
name key1 key2 val1 val2
0 a1 A C 0.1 0.9
1 a1 A D 0.2 0.8
2 a1 B C 0.3 0.7
3 a1 B D 0.4 0.6
4 a2 A C 0.5 0.5
5 a2 A D 0.6 0.4
6 a2 B C 0.7 0.3
7 a2 B D nan nan
如果key_frame太大,可以通过应用具有最多唯一值的键来进行分组。
fixed_keys_sub = product(['A', 'B'], ['C', 'D'])
key_frame_sub = pd.DataFrame(fixed_keys, columns=['key1', 'key2'])
def func(sub):
sub = pd.merge(key_frame, sub, on=['key1', 'key2'], how='left')
sub = sub.drop(columns='name')
return sub
dd.groupby('name').apply(func).reset_index()