我试图分析阈值函数中两个变量的演变。我从一个数据帧开始,比如:
list1 = [[0,6,3], [100,6,1], [200,4,1], [300,3,0], [400,3,0], [500,0,0]]
cols = ['threshold', 'var_1', 'var_2']
raw = pd.DataFrame(list1, columns=cols)
raw.head()
threshold var_1 var_2
0 6 3
100 6 1
200 4 1
300 3 0
400 3 0
目标是表示两个变量的总和,这取决于阈值,如下所示,用于热图:
500 3 1 1 0 0 0
400 5 3 3 2 2 2
var_1 300 6 4 4 3 3 3
200 7 5 5 4 4 4
100 9 7 7 6 6 6
0 9 7 7 6 6 6
0 100 200 300 400 500
var_2
我试过corrstab和pivot_table,但没有得到这个结果。
在搜索Pandas文档后,我也找不到任何提供您所显示结果的内置函数。有一个自制的解决方案可能对你有用;它依赖于使用Python的itertools.product形成的迭代器来表示这两个变量的所有组合。
这个解决方案没有优化,因为对于更大规模的数据,这个迭代器会比Numpy和Pandas的内置程序慢。不过,对于你这样大小的矩阵来说,它应该仍然很快。
list1 = [[0,6,3], [100,6,1], [200,4,1], [300,3,0], [400,3,0], [500,0,0]]
cols = ['threshold', 'var_1', 'var_2']
raw = pd.DataFrame(list1, columns=cols)
nrows = len(raw.index)
combos = itertools.product(range(nrows), range(nrows))
heatmap = np.zeros((nrows + 1, nrows + 1))
heatmap[:-1, 0] = np.flip(raw['threshold'])
heatmap[-1, 1:] = raw['threshold']
for combo in combos:
heatmap[heatmap.shape[0] - combo[0] - 2, combo[1] + 1] =
raw['var_1'][combo[0]] + raw['var_2'][combo[1]]
print(heatmap)
[[500. 3. 1. 1. 0. 0. 0.]
[400. 6. 4. 4. 3. 3. 3.]
[300. 6. 4. 4. 3. 3. 3.]
[200. 7. 5. 5. 4. 4. 4.]
[100. 9. 7. 7. 6. 6. 6.]
[ 0. 9. 7. 7. 6. 6. 6.]
[ 0. 0. 100. 200. 300. 400. 500.]]
这是我想出的最好的。看起来也很有效我是在模式研究后找到这个解决方案的
代码:
import pandas as pd
import numpy as np
list1 = [[0,6,3], [100,6,1], [200,4,1], [300,3,0], [400,3,0], [500,0,0]]
cols = ['threshold', 'var_1', 'var_2']
raw = pd.DataFrame(list1, columns=cols)
for i, col_name in enumerate(raw['threshold'].values):
raw[col_name] = raw.iloc[i,2] + raw.iloc[:,1]
print(raw)
输出:
threshold var_1 var_2 0 100 200 300 400 500
0 0 6 3 9 7 7 6 6 6
1 100 6 1 9 7 7 6 6 6
2 200 4 1 7 5 5 4 4 4
3 300 3 0 6 4 4 3 3 3
4 400 3 0 6 4 4 3 3 3
5 500 0 0 3 1 1 0 0 0