Вернуть несколько столбцов из pandas apply ()

113

У меня есть панды DataFrame, df_test. Он содержит столбец «размер», который представляет размер в байтах. Я рассчитал КБ, МБ и ГБ, используя следующий код:

df_test = pd.DataFrame([
    {'dir': '/Users/uname1', 'size': 994933},
    {'dir': '/Users/uname2', 'size': 109338711},
])

df_test['size_kb'] = df_test['size'].astype(int).apply(lambda x: locale.format("%.1f", x / 1024.0, grouping=True) + ' KB')
df_test['size_mb'] = df_test['size'].astype(int).apply(lambda x: locale.format("%.1f", x / 1024.0 ** 2, grouping=True) + ' MB')
df_test['size_gb'] = df_test['size'].astype(int).apply(lambda x: locale.format("%.1f", x / 1024.0 ** 3, grouping=True) + ' GB')

df_test


             dir       size       size_kb   size_mb size_gb
0  /Users/uname1     994933      971.6 KB    0.9 MB  0.0 GB
1  /Users/uname2  109338711  106,776.1 KB  104.3 MB  0.1 GB

[2 rows x 5 columns]

Я запустил это более 120000 строк, и время занимает около 2,97 секунды на столбец * 3 = ~ 9 секунд согласно% timeit.

Есть ли способ сделать это быстрее? Например, могу ли я вместо того, чтобы возвращать по одному столбцу за раз из приложения и запускать его 3 раза, могу ли я вернуть все три столбца за один проход, чтобы вставить обратно в исходный фрейм данных?

Все остальные вопросы, которые я нашел, хотят принимать несколько значений и возвращать одно значение . Я хочу взять одно значение и вернуть несколько столбцов .

PaulMest
источник

Ответы:

131

Это старый вопрос, но для полноты вы можете вернуть серию из прикладной функции, которая содержит новые данные, что избавляет от необходимости повторять три раза. Передача axis=1в функцию apply применяет функцию sizesк каждой строке фрейма данных, возвращая серию для добавления в новый фрейм данных. Эта серия s содержит новые значения, а также исходные данные.

def sizes(s):
    s['size_kb'] = locale.format("%.1f", s['size'] / 1024.0, grouping=True) + ' KB'
    s['size_mb'] = locale.format("%.1f", s['size'] / 1024.0 ** 2, grouping=True) + ' MB'
    s['size_gb'] = locale.format("%.1f", s['size'] / 1024.0 ** 3, grouping=True) + ' GB'
    return s

df_test = df_test.append(rows_list)
df_test = df_test.apply(sizes, axis=1)
Nelz11
источник
12
Я удивлен, что он провел почти 2 года без правильного ответа. Искал что-то другое и наткнулся на это. Надеюсь, еще не поздно быть полезным!
Nelz11
11
Что rows_listв этом ответе?
Дэвид Стэнсби
Это просто список серий для построения фрейма данных.
Nelz11
1
Если для pd.Series нужен индекс, вам необходимо указать его pd.Series(data, index=...). В противном случае вы получите загадочные ошибки, когда попытаетесь вернуть результат в родительский фрейм данных.
smci
106

Используйте apply и zip в 3 раза быстрее, чем Series.

def sizes(s):    
    return locale.format("%.1f", s / 1024.0, grouping=True) + ' KB', \
        locale.format("%.1f", s / 1024.0 ** 2, grouping=True) + ' MB', \
        locale.format("%.1f", s / 1024.0 ** 3, grouping=True) + ' GB'
df_test['size_kb'],  df_test['size_mb'], df_test['size_gb'] = zip(*df_test['size'].apply(sizes))

Результатом тестирования являются:

Separate df.apply(): 

    100 loops, best of 3: 1.43 ms per loop

Return Series: 

    100 loops, best of 3: 2.61 ms per loop

Return tuple:

    1000 loops, best of 3: 819 µs per loop
Джесси
источник
Я удивлен, что это не получило больше голосов. Спасибо, что поделились дополнительными данными о вариантах и ​​сроках.
gump
Не могли бы вы объяснить, как вы вернули кортеж? Кажется, это самый быстрый вариант
Камило
Пожалуйста, обратитесь к моему образцу кода, это способ кортежа.
Джесси
тоже кажется самым быстрым и простым. удивлен, что сам не нашел.
Шахир Ансари
65

Некоторые из текущих ответов работают нормально, но я хочу предложить другой, может быть, более «пандифицированный» вариант. Это работает для меня с текущими пандами 0.23 (не уверен, будет ли это работать в предыдущих версиях):

import pandas as pd

df_test = pd.DataFrame([
  {'dir': '/Users/uname1', 'size': 994933},
  {'dir': '/Users/uname2', 'size': 109338711},
])

def sizes(s):
  a = locale.format("%.1f", s['size'] / 1024.0, grouping=True) + ' KB'
  b = locale.format("%.1f", s['size'] / 1024.0 ** 2, grouping=True) + ' MB'
  c = locale.format("%.1f", s['size'] / 1024.0 ** 3, grouping=True) + ' GB'
  return a, b, c

df_test[['size_kb', 'size_mb', 'size_gb']] = df_test.apply(sizes, axis=1, result_type="expand")

Обратите внимание, что трюк заключается в result_typeпараметре apply, который расширит его результат до, DataFrameкоторый можно напрямую назначить новым / старым столбцам.

Jaumebonet
источник
1
Правильно ... извините ... после некоторой проверки, в некоторых случаях он работает с 0.22, но я был в виртуальной среде и на самом деле использовал 0.23, когда пробовал это ...: /
jaumebonet
7
Это самый оптимальный ответ. Спасибо
AdR
Это должен быть принятый ответ!
Б. Богарт,
18

Еще один читаемый способ. Этот код добавит три новых столбца и их значения, возвращая серию без использования параметров в функции apply.

def sizes(s):

    val_kb = locale.format("%.1f", s['size'] / 1024.0, grouping=True) + ' KB'
    val_mb = locale.format("%.1f", s['size'] / 1024.0 ** 2, grouping=True) + ' MB'
    val_gb = locale.format("%.1f", s['size'] / 1024.0 ** 3, grouping=True) + ' GB'
    return pd.Series([val_kb,val_mb,val_gb],index=['size_kb','size_mb','size_gb'])

df[['size_kb','size_mb','size_gb']] = df.apply(lambda x: sizes(x) , axis=1)

Общий пример из: https://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.apply.html

df.apply(lambda x: pd.Series([1, 2], index=['foo', 'bar']), axis=1)

#foo  bar
#0    1    2
#1    1    2
#2    1    2
Альваро Нортес
источник
10

Действительно классные ответы! Спасибо, Джесси и jaumebonet! Просто небольшое наблюдение в отношении:

  • zip(* ...
  • ... result_type="expand")

Хотя расширение является более элегантным ( расширенным ), zip как минимум ** в 2 раза быстрее . В этом простом примере ниже я стал в 4 раза быстрее .

import pandas as pd

dat = [ [i, 10*i] for i in range(1000)]

df = pd.DataFrame(dat, columns = ["a","b"])

def add_and_sub(row):
    add = row["a"] + row["b"]
    sub = row["a"] - row["b"]
    return add, sub

df[["add", "sub"]] = df.apply(add_and_sub, axis=1, result_type="expand")
# versus
df["add"], df["sub"] = zip(*df.apply(add_and_sub, axis=1))
famaral42
источник
9

Эффективность между основными ответами значительно различается, и Джесси и famaral42 уже обсуждали это, но стоит поделиться справедливым сравнением между основными ответами и подробно остановиться на тонкой, но важной детали ответа Джесси: аргумент передан в функция, также влияет на производительность .

(Python 3.7.4, Pandas 1.0.3)

import pandas as pd
import locale
import timeit


def create_new_df_test():
    df_test = pd.DataFrame([
      {'dir': '/Users/uname1', 'size': 994933},
      {'dir': '/Users/uname2', 'size': 109338711},
    ])
    return df_test


def sizes_pass_series_return_series(series):
    series['size_kb'] = locale.format_string("%.1f", series['size'] / 1024.0, grouping=True) + ' KB'
    series['size_mb'] = locale.format_string("%.1f", series['size'] / 1024.0 ** 2, grouping=True) + ' MB'
    series['size_gb'] = locale.format_string("%.1f", series['size'] / 1024.0 ** 3, grouping=True) + ' GB'
    return series


def sizes_pass_series_return_tuple(series):
    a = locale.format_string("%.1f", series['size'] / 1024.0, grouping=True) + ' KB'
    b = locale.format_string("%.1f", series['size'] / 1024.0 ** 2, grouping=True) + ' MB'
    c = locale.format_string("%.1f", series['size'] / 1024.0 ** 3, grouping=True) + ' GB'
    return a, b, c


def sizes_pass_value_return_tuple(value):
    a = locale.format_string("%.1f", value / 1024.0, grouping=True) + ' KB'
    b = locale.format_string("%.1f", value / 1024.0 ** 2, grouping=True) + ' MB'
    c = locale.format_string("%.1f", value / 1024.0 ** 3, grouping=True) + ' GB'
    return a, b, c

Вот результаты:

# 1 - Accepted (Nels11 Answer) - (pass series, return series):
9.82 ms ± 377 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

# 2 - Pandafied (jaumebonet Answer) - (pass series, return tuple):
2.34 ms ± 48.6 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

# 3 - Tuples (pass series, return tuple then zip):
1.36 ms ± 62.8 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

# 4 - Tuples (Jesse Answer) - (pass value, return tuple then zip):
752 µs ± 18.5 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

Обратите внимание, что возврат кортежей является самым быстрым методом, но то, что передается в качестве аргумента, также влияет на производительность. Разница в коде невелика, но производительность значительно улучшилась.

Тест №4 (передача одного значения) в два раза быстрее, чем тест №3 (проходящий последовательно), хотя выполняемая операция якобы идентична.

Но это еще не все ...

# 1a - Accepted (Nels11 Answer) - (pass series, return series, new columns exist):
3.23 ms ± 141 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

# 2a - Pandafied (jaumebonet Answer) - (pass series, return tuple, new columns exist):
2.31 ms ± 39.3 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

# 3a - Tuples (pass series, return tuple then zip, new columns exist):
1.36 ms ± 58.4 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

# 4a - Tuples (Jesse Answer) - (pass value, return tuple then zip, new columns exist):
694 µs ± 3.9 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

В некоторых случаях (# 1a и # 4a) применение функции к DataFrame, в котором уже существуют выходные столбцы, происходит быстрее, чем их создание из функции.

Вот код для запуска тестов:

# Paste and run the following in ipython console. It will not work if you run it from a .py file.
print('\nAccepted Answer (pass series, return series, new columns dont exist):')
df_test = create_new_df_test()
%timeit result = df_test.apply(sizes_pass_series_return_series, axis=1)
print('Accepted Answer (pass series, return series, new columns exist):')
df_test = create_new_df_test()
df_test = pd.concat([df_test, pd.DataFrame(columns=['size_kb', 'size_mb', 'size_gb'])])
%timeit result = df_test.apply(sizes_pass_series_return_series, axis=1)

print('\nPandafied (pass series, return tuple, new columns dont exist):')
df_test = create_new_df_test()
%timeit df_test[['size_kb', 'size_mb', 'size_gb']] = df_test.apply(sizes_pass_series_return_tuple, axis=1, result_type="expand")
print('Pandafied (pass series, return tuple, new columns exist):')
df_test = create_new_df_test()
df_test = pd.concat([df_test, pd.DataFrame(columns=['size_kb', 'size_mb', 'size_gb'])])
%timeit df_test[['size_kb', 'size_mb', 'size_gb']] = df_test.apply(sizes_pass_series_return_tuple, axis=1, result_type="expand")

print('\nTuples (pass series, return tuple then zip, new columns dont exist):')
df_test = create_new_df_test()
%timeit df_test['size_kb'],  df_test['size_mb'], df_test['size_gb'] = zip(*df_test.apply(sizes_pass_series_return_tuple, axis=1))
print('Tuples (pass series, return tuple then zip, new columns exist):')
df_test = create_new_df_test()
df_test = pd.concat([df_test, pd.DataFrame(columns=['size_kb', 'size_mb', 'size_gb'])])
%timeit df_test['size_kb'],  df_test['size_mb'], df_test['size_gb'] = zip(*df_test.apply(sizes_pass_series_return_tuple, axis=1))

print('\nTuples (pass value, return tuple then zip, new columns dont exist):')
df_test = create_new_df_test()
%timeit df_test['size_kb'],  df_test['size_mb'], df_test['size_gb'] = zip(*df_test['size'].apply(sizes_pass_value_return_tuple))
print('Tuples (pass value, return tuple then zip, new columns exist):')
df_test = create_new_df_test()
df_test = pd.concat([df_test, pd.DataFrame(columns=['size_kb', 'size_mb', 'size_gb'])])
%timeit df_test['size_kb'],  df_test['size_mb'], df_test['size_gb'] = zip(*df_test['size'].apply(sizes_pass_value_return_tuple))
Рокки К
источник
Спасибо за разбивку рабочих характеристик!
PaulMest
3

Я считаю, что версия 1.1 нарушает поведение, предложенное в верхнем ответе здесь.

import pandas as pd
def test_func(row):
    row['c'] = str(row['a']) + str(row['b'])
    row['d'] = row['a'] + 1
    return row

df = pd.DataFrame({'a': [1, 2, 3], 'b': ['i', 'j', 'k']})
df.apply(test_func, axis=1)

Приведенный выше код, запущенный на pandas 1.1.0, возвращает:

   a  b   c  d
0  1  i  1i  2
1  1  i  1i  2
2  1  i  1i  2

В pandas 1.0.5 он вернулся:

   a   b    c  d
0  1   i   1i  2
1  2   j   2j  3
2  3   k   3k  4

Я думаю, этого и следовало ожидать.

Не уверен, как в примечаниях к выпуску объясняется это поведение, однако, как объясняется здесь, предотвращение мутации исходных строк путем их копирования восстанавливает старое поведение. то есть:

def test_func(row):
    row = row.copy()   #  <---- Avoid mutating the original reference
    row['c'] = str(row['a']) + str(row['b'])
    row['d'] = row['a'] + 1
    return row
мычание
источник
Я думаю, что в вашем примере кода могла быть ошибка копирования / вставки. Не могли бы вы проверить это и увидеть, что вы намеревались отправить?
PaulMest
1
Спасибо, @PaulMest, ты был прав. Я исправил две опечатки и добавил новую ссылку / справку, где был дан ответ на вопрос.
мыч
1
Добро пожаловать в Stack Overflow! @moo
PaulMest
1

Как правило, чтобы вернуть несколько значений, это то, что я делаю

def gimmeMultiple(group):
    x1 = 1
    x2 = 2
    return array([[1, 2]])
def gimmeMultipleDf(group):
    x1 = 1
    x2 = 2
    return pd.DataFrame(array([[1,2]]), columns=['x1', 'x2'])
df['size'].astype(int).apply(gimmeMultiple)
df['size'].astype(int).apply(gimmeMultipleDf)

Окончательный возврат фрейма данных имеет свои преимущества, но иногда и не требуется. Вы можете посмотреть, что apply()возвращается, и немного поиграться с функциями;)

FooBar
источник
Спасибо за этот образец. Однако это не выводит единый фрейм данных для всех результатов. Когда я пытаюсь добавить его обратно в исходный фрейм данных, я получаю «ValueError: массив не транслируется для исправления формы».
PaulMest
Можете ли вы предоставить код для создания небольшой выборки данных?
FooBar
Конечно. Я только что обновил код в своем исходном сообщении, включив в него образцы данных и вывод.
PaulMest
0

Он дает новый фрейм данных с двумя столбцами от исходного.

import pandas as pd
df = ...
df_with_two_columns = df.apply(lambda row:pd.Series([row['column_1'], row['column_2']], index=['column_1', 'column_2']),axis = 1)
Вальдейр Мендес да Силва
источник