Sottoinsiemi di dati in Python
Domanda
Voglio usare l'equivalente del comando sottoinsieme in R per qualche codice Python che sto scrivendo.
Ecco il mio dati:
col1 col2 col3 col4 col5
100002 2006 1.1 0.01 6352
100002 2006 1.2 0.84 304518
100002 2006 2 1.52 148219
100002 2007 1.1 0.01 6292
10002 2006 1.1 0.01 5968
10002 2006 1.2 0.25 104318
10002 2007 1.1 0.01 6800
10002 2007 4 2.03 25446
10002 2008 1.1 0.01 6408
Voglio sottoinsieme dei dati in base a contenuto di col1
e col2
. (I valori unici in col1 sono 100002 e 10002, e in col2 sono 2006,2007 e 2008).
Questo può essere fatto in R con il comando sottoinsieme, c'è qualcosa di simile in Python?
Soluzione
Mentre le risposte degli iteratori-based sono perfettamente bene, se si sta lavorando con gli array NumPy (come si parla che siete) ci sono migliori e più veloci modi per selezionare le cose:
import numpy as np
data = np.array([
[100002, 2006, 1.1, 0.01, 6352],
[100002, 2006, 1.2, 0.84, 304518],
[100002, 2006, 2, 1.52, 148219],
[100002, 2007, 1.1, 0.01, 6292],
[10002, 2006, 1.1, 0.01, 5968],
[10002, 2006, 1.2, 0.25, 104318],
[10002, 2007, 1.1, 0.01, 6800],
[10002, 2007, 4, 2.03, 25446],
[10002, 2008, 1.1, 0.01, 6408] ])
subset1 = data[data[:,0] == 100002]
subset2 = data[data[:,0] == 10002]
Questo produce
subset1:
array([[ 1.00002e+05, 2.006e+03, 1.10e+00, 1.00e-02, 6.352e+03],
[ 1.00002e+05, 2.006e+03, 1.20e+00, 8.40e-01, 3.04518e+05],
[ 1.00002e+05, 2.006e+03, 2.00e+00, 1.52e+00, 1.48219e+05],
[ 1.00002e+05, 2.007e+03, 1.10e+00, 1.00e-02, 6.292e+03]])
subset2:
array([[ 1.0002e+04, 2.006e+03, 1.10e+00, 1.00e-02, 5.968e+03],
[ 1.0002e+04, 2.006e+03, 1.20e+00, 2.50e-01, 1.04318e+05],
[ 1.0002e+04, 2.007e+03, 1.10e+00, 1.00e-02, 6.800e+03],
[ 1.0002e+04, 2.007e+03, 4.00e+00, 2.03e+00, 2.5446e+04],
[ 1.0002e+04, 2.008e+03, 1.10e+00, 1.00e-02, 6.408e+03]])
Se non si conoscono i valori unici nella prima colonna in anticipo, è possibile utilizzare numpy.unique1d
o la funzione built-set
per trovare loro.
Edit: Ho appena realizzato che si voleva selezionare i dati dove si hanno combinazioni uniche di due colonne ... In questo caso, si potrebbe fare qualcosa di simile:
col1 = data[:,0]
col2 = data[:,1]
subsets = {}
for val1, val2 in itertools.product(np.unique(col1), np.unique(col2)):
subset = data[(col1 == val1) & (col2 == val2)]
if np.any(subset):
subsets[(val1, val2)] = subset
(sto memorizzazione dei sottoinsiemi come un dizionario, con la chiave è una tupla della combinazione ... Ci sono certamente altri (e meglio, a seconda di quello che stai facendo) modi per fare questo!)
Altri suggerimenti
subset()
in R è più o meno analogo a filter()
in Python. Mentre le note di riferimento, questo sarà usato implicitamente list comprehension, in modo che il più conciso e chiaro modo di scrivere il codice potrebbe essere
[ item for item in items if item.col2 == 2006 ]
Se, ad esempio, le righe di dati erano in una chiamata items
iterabile.
Dal momento che non sono a conoscenza R né come questo comando sottoinsieme funziona in base alla propria descrizione posso suggerire di dare un'occhiata alle funzionalità di groupby itertools. Se data una funzione che fornisce in uscita un valore, è possibile formare gruppi basati su output della funzione. Tratto da groupby :
groups = []
uniquekeys = []
data = sorted(data, key=keyfunc)
for k, g in groupby(data, keyfunc):
groups.append(list(g)) # Store group iterator as a list
uniquekeys.append(k)
e poi hai i tuoi sottoinsiemi. Tuttavia, fare attenzione a come i valori restituiti non sono pieni liste a tutti gli effetti. Sono iteratori.
Io parto dal presupposto che i valori vengono restituiti in base riga per riga.