Werte aus 2 seprate Datenrahmen mit gleichen Index- und Spaltennamen extrahieren

Question

Ich habe 2 Datenrahmen. df1:

SKU USER 1 USER 2 USER 3 USER 4 USER 5 USER 6 USER 7 
1001 5 2 0 0 2 2 1 
1002 4 2 2 1 0 1.5 2 
1003 1 1 0 0 0 3 3 
1004 0 3 0 2 1 0 7 
1005 1 1 0 4 4 3.5 0 
1006 1 3 4 5 1 3 3 
1007 0 1 1 3 0 0 5 
1008 2 3 1 0 0 2.333333 0 
1009 0 0 0 3 3 0 0 
1010 5 6 3 0 2 4 6 

df2:

SKU USER 1 USER 2 USER 3 USER 4 USER 5 USER 6 USER 7 
1001 7.398414 4.398414 2.398414 2.398414 4.398414 4.398414 3.398414 
1002 6.321304 4.321304 4.321304 3.321304 2.321304 3.821304 4.321304 
1003 3.535435 3.535435 2.535435 2.535435 2.535435 5.535435 5.535435 
1004 2.865097 5.865097 2.865097 4.865097 3.865097 2.865097 9.865097 
1005 3.152332 3.152332 2.152332 6.152332 6.152332 5.652332 2.152332 
1006 2.816583 4.816583 5.816583 6.816583 2.816583 4.816583 4.816583 
1007 2.378649 3.378649 3.378649 5.378649 2.378649 2.378649 7.378649 
1008 4.431189 5.431189 3.431189 2.431189 2.431189 4.764522 2.431189 
1009 2.196257 2.196257 2.196257 5.196257 5.196257 2.196257 2.196257 
1010 7.148196 8.148196 5.148196 2.148196 4.148196 6.148196 8.148196 

Ich möchte die tatsächlichen (df1) drucken und vorhergesagt (DF2) für jede USER-SKU Kombination wie folgt:

Für USER1 SKU 1001: ACTUAL = 5, PREDICTED = 7.398414

Wie kann ich diese Werte extrahieren "?

Answer 1

Ihre Daten zu werden pivoted scheint. Es ist einfacher, in diesem Fall mit unpivot (melt) die Daten zurück zu einer Tabelle von (sku, user, value) Zeilen zu arbeiten und dann die 2 Tabellen zu einer Tabelle von (sku, user, actual, predicted) Zeilen zusammenzuführen.

import pandas as pd 

# Reset indexes for unpivoting. If you need the original DataFrames 
# as is later on, don't pass inplace=True and store the return value as 
# the new index free frame. 
df1.reset_index(level=0, inplace=True) 
df2.reset_index(level=0, inplace=True) 

# unpivot dataframes 
df1_melt = pd.melt(df1, id_vars=['SKU'], var_name='USER', value_name='ACTUAL')  
df2_melt = pd.melt(df2, id_vars=['SKU'], var_name='USER', value_name='PREDICTED') 

# merge dataframes on SKU, USER 
df_merged = df1_melt.merge(df2_melt, on=['SKU', 'USER']) 

for row in df_merged.itertuples(index=False): 
    sku, user, actual, predicted = row 
    print('{user} SKU {sku}: ACTUAL = {actual}, PREDICTED = {predicted}'.format(
     user=user, sku=sku, actual=actual, predicted=predicted 
    )) 

Answer 2

Ich denke, dass es einfacher sein wird, die Spalten in df2 und dann merge und dann definieren eine Lookup-Funktion umzubenennen:

In [175]:  
df2.rename(columns=d_cols,inplace =True) 
df2.columns 

Out[175]: 
Index(['SKU', 'PRED USER 1', 'PRED USER 2', 'PRED USER 3', 'PRED USER 4', 
     'PRED USER 5', 'PRED USER 6', 'PRED USER 7'], 
     dtype='object') 

In [184]: 
df3 = df1.merge(df2) 
def lookup(sku): 
    return 'USER1 SKU {:d}: ACTUAL = {:f}, PREDICTED = {:f}'.format(sku, df3.loc[df3['SKU'] == sku, 'USER 1'].values[0], df3.loc[df3['SKU']==sku,'PRED USER 1'].values[0]) 
df3['SKU'].apply(lookup).iloc[0] 

Out[184]: 
'USER1 SKU 1001: ACTUAL = 5.000000, PREDICTED = 7.398414' 

Answer 3

Wenn Sie nicht wollen, Ihre Spalten umbenennen, ich glaube, Sie nur Loops und einfache Indizierung verwenden können, wie folgt:

cols = range(7) 
for c in cols: 
    column = "USER " + str(c + 1) 
    rows = range(10) 
    for r in rows: 
     actual = df1.iloc[r,c] 
     predict = df2.iloc[r,c] 
     print str(column) + "SKU" + str(r + 1001) + ": ACTUAL= " + str(actual) + ", PREDICTED = " + str(predict) 

this helps :)