Pandas: DIKT (einschließlich Betreiber) zurückzukehren Spalte Teilmenge von Datenrahmen

Question

Lassen Sie uns sagen, dass ich mit Spalten a, b, c, d, e und ein Wörterbuch, einen Datenrahmen bekam {"A": "a", "B": "b", "E": "e"}

a) Wie verwende ich dieses Wörterbuch einen neuen Datenrahmen zurückzukehren (gleicher Index) mit nur diesen 3 Spalten (in Cap-Buchstaben umbenannt)?

b) Gibt es alternativ eine Möglichkeit, eine Spalte im ursprünglichen Datenrahmen zu löschen, die nicht im Wörterbuch aufgeführt ist und den ursprünglichen Datenrahmen im Grunde auf die Auswahl reduzieren? (mit umbenennen Spalten?)

Lassen Sie uns weiter sagen, ich hatte Wörterbuch {"A": "a", "Diff": "b - c", "Sum": "d + e"} Bezug auf die Spalten in meinem Datenrahmen, sondern auch einschließlich Operatoren (-, +).

c) Gibt es eine Möglichkeit, einen neuen Datenrahmen (gleicher Index) mit 3 neuen Spalten mit Daten aus meinem ursprünglichen Datenrahmen "aggregiert", wie von den Betreibern beschrieben, zurückzugeben?

Danke für Ihre Hilfe

Answer 1

könnten Sie verwenden eval - nicht die Python-Funktion mit dem gleichen Namen, aber die DataFrame method.

In [50]: df = pd.DataFrame(np.arange(15).reshape((3,5)), columns=list("abcde")) 

In [51]: df 
Out[51]: 
    a b c d e 
0 0 1 2 3 4 
1 5 6 7 8 9 
2 10 11 12 13 14 

In [52]: d = {"A": "a", "B": "b", "C": "c"} 

In [53]: d2 = {"A": "a", "Diff": "b - c", "Sum": "d + e"} 

Mit dem Dataframe Konstruktor statt pd.concat auf einzelne Serie:

In [87]: pd.DataFrame({k: df.eval(v) for k,v in d.items()}) 
Out[87]: 
    A B C 
0 0 1 2 
1 5 6 7 
2 10 11 12 

In [88]: pd.DataFrame({k: df.eval(v) for k,v in d2.items()}) 
Out[88]: 
    A Diff Sum 
0 0 -1 7 
1 5 -1 17 
2 10 -1 27 

Answer 2

In Bezug auf Fragen a und b, wird die folgende Arbeiten:

import pandas as pd 
import numpy as np 

df = pd.DataFrame(np.random.randn(4, 5), columns=list('abcde')) 

      a   b   c   d   e 
0 0.653701 -1.267756 0.680395 0.997065 1.389126 
1 -1.598463 2.595352 0.983189 -0.130996 0.605120 
2 0.631091 -1.293486 0.095808 -0.474806 -0.353356 
3 1.867020 2.164540 0.021103 1.810129 1.114983 

d = {"A": "a", "B": "b", "E": "e"} 

Dann wird für Python 2,

df[d.values()].rename(columns={v: k for k, v in d.items()}) 

und für Python 3.x (siehe MaxUs Kommentar)

df.loc[:, d.values()].rename(columns={v: k for k, v in d.items()}) 

geben Sie die gewünschte Ausgabe:

  A   B   E 
0 0.653701 -1.267756 1.389126 
1 -1.598463 2.595352 0.605120 
2 0.631091 -1.293486 -0.353356 
3 1.867020 2.164540 1.114983 

Answer 3

Ich benutzte ein DF, generated by @DSM:

In [145]: d2 = {"A": "a", "Diff": "b - c", "Sum": "d + e"} 

In [146]: df 
Out[146]: 
    a b c d e 
0 0 1 2 3 4 
1 5 6 7 8 9 
2 10 11 12 13 14 

Multi-line-Abfragen ermöglichen es uns, mehrere Spalten hinzufügen DataFrame.eval() mit:

In [147]: df.eval('\n'.join(['{} = {}'.format(k,v) for k,v in d2.items()]), inplace=False) 
Out[147]: 
    a b c d e A Diff Sum 
0 0 1 2 3 4 0 -1 7 
1 5 6 7 8 9 5 -1 17 
2 10 11 12 13 14 10 -1 27 

HINWEIS: es wird nur in dem Fall arbeiten, wenn neue Spalten auf einer neuen Zeile

Erklärung erscheinen:

In [148]: print('\n'.join(['{} = {}'.format(k,v) for k,v in d2.items()])) 
A = a 
Diff = b - c 
Sum = d + e 

Sie auch neue Spalten in weiteren Berechnungen (achten Sie auf "new" Spalte) verwenden können, :

In [152]: d3 = {"Diff": "b - c", "Sum": "d + e", "new": "Sum - Diff"} 

In [153]: df.eval('\n'.join(['{} = {}'.format(k,v) for k,v in d3.items()]), inplace=False) 
Out[153]: 
    a b c d e Diff Sum new 
0 0 1 2 3 4 -1 7 8 
1 5 6 7 8 9 -1 17 18 
2 10 11 12 13 14 -1 27 28