J'ai un cadre de données contenant des données de commandes, chaque commande a plusieurs packages stockés sous forme de chaîne séparée par des virgules [package
& package_code
] colonnes
Je souhaite diviser les données des packages et créer une ligne pour chaque package, y compris les détails de sa commande
Voici un exemple de trame de données d'entrée:
import pandas as pd
df = pd.DataFrame({"order_id":[1,3,7],"order_date":["20/5/2018","22/5/2018","23/5/2018"], "package":["p1,p2,p3","p4","p5,p6"],"package_code":["#111,#222,#333","#444","#555,#666"]})
Et voici ce que j'essaie de réaliser en sortie:
Comment puis-je faire ça avec des pandas?
Voici une façon d'utiliser numpy.repeat
et itertools.chain
. Conceptuellement, c'est exactement ce que vous voulez faire: répéter certaines valeurs, enchaîner d'autres. Recommandé pour un petit nombre de colonnes, sinon les méthodes basées sur stack
peuvent mieux fonctionner.
import numpy as np
from itertools import chain
# return list from series of comma-separated strings
def chainer(s):
return list(chain.from_iterable(s.str.split(',')))
# calculate lengths of splits
lens = df['package'].str.split(',').map(len)
# create new dataframe, repeating or chaining as appropriate
res = pd.DataFrame({'order_id': np.repeat(df['order_id'], lens),
'order_date': np.repeat(df['order_date'], lens),
'package': chainer(df['package']),
'package_code': chainer(df['package_code'])})
print(res)
order_id order_date package package_code
0 1 20/5/2018 p1 #111
0 1 20/5/2018 p2 #222
0 1 20/5/2018 p3 #333
1 3 22/5/2018 p4 #444
2 7 23/5/2018 p5 #555
2 7 23/5/2018 p6 #666
Cela devrait fonctionner pour n'importe quel nombre de colonnes comme celle-ci. L'essence est une petite magie de dépilage de pile avec str.split
.
(df.set_index(['order_date', 'order_id'])
.stack()
.str.split(',', expand=True)
.stack()
.unstack(-2)
.reset_index(-1, drop=True)
.reset_index()
)
order_date order_id package package_code
0 20/5/2018 1 p1 #111
1 20/5/2018 1 p2 #222
2 20/5/2018 1 p3 #333
3 22/5/2018 3 p4 #444
4 23/5/2018 7 p5 #555
5 23/5/2018 7 p6 #666
Il existe une autre alternative performante impliquant chain
, mais vous devez chaîner explicitement et répéter chaque colonne (un petit problème avec beaucoup de colonnes). Choisissez ce qui correspond le mieux à la description de votre problème, car il n'y a pas de réponse unique.
Détails
Tout d'abord, définissez les colonnes qui ne doivent pas être touchées comme index.
df.set_index(['order_date', 'order_id'])
package package_code
order_date order_id
20/5/2018 1 p1,p2,p3 #111,#222,#333
22/5/2018 3 p4 #444
23/5/2018 7 p5,p6 #555,#666
Ensuite, stack
les lignes.
_.stack()
order_date order_id
20/5/2018 1 package p1,p2,p3
package_code #111,#222,#333
22/5/2018 3 package p4
package_code #444
23/5/2018 7 package p5,p6
package_code #555,#666
dtype: object
Nous avons maintenant une série. Appelez donc str.split
Par une virgule.
_.str.split(',', expand=True)
0 1 2
order_date order_id
20/5/2018 1 package p1 p2 p3
package_code #111 #222 #333
22/5/2018 3 package p4 None None
package_code #444 None None
23/5/2018 7 package p5 p6 None
package_code #555 #666 None
Nous devons nous débarrasser des valeurs NULL, appelez donc à nouveau stack
.
_.stack()
order_date order_id
20/5/2018 1 package 0 p1
1 p2
2 p3
package_code 0 #111
1 #222
2 #333
22/5/2018 3 package 0 p4
package_code 0 #444
23/5/2018 7 package 0 p5
1 p6
package_code 0 #555
1 #666
dtype: object
Nous y sommes presque. Maintenant, nous voulons que l'avant-dernier niveau de l'index devienne nos colonnes, alors décompilez en utilisant unstack(-2)
(unstack
sur l'avant-dernier niveau)
_.unstack(-2)
package package_code
order_date order_id
20/5/2018 1 0 p1 #111
1 p2 #222
2 p3 #333
22/5/2018 3 0 p4 #444
23/5/2018 7 0 p5 #555
1 p6 #666
Débarrassez-vous du dernier niveau superflu en utilisant reset_index
:
_.reset_index(-1, drop=True)
package package_code
order_date order_id
20/5/2018 1 p1 #111
1 p2 #222
1 p3 #333
22/5/2018 3 p4 #444
23/5/2018 7 p5 #555
7 p6 #666
Et enfin,
_.reset_index()
order_date order_id package package_code
0 20/5/2018 1 p1 #111
1 20/5/2018 1 p2 #222
2 20/5/2018 1 p3 #333
3 22/5/2018 3 p4 #444
4 23/5/2018 7 p5 #555
5 23/5/2018 7 p6 #666
Jetez un œil à la pandas release 0.25: https://pandas.pydata.org/pandas-docs/stable/whatsnew/v0.25.0.html#series-explode- to-split-list-like-values-to-rows
df = pd.DataFrame([{'var1': 'a,b,c', 'var2': 1}, {'var1': 'd,e,f', 'var2': 2}])
df.assign(var1=df.var1.str.split(',')).explode('var1').reset_index(drop=True)
Proche de la méthode du froid :-)
df.set_index(['order_date','order_id']).apply(lambda x : x.str.split(',')).stack().apply(pd.Series).stack().unstack(level=2).reset_index(level=[0,1])
Out[538]:
order_date order_id package package_code
0 20/5/2018 1 p1 #111
1 20/5/2018 1 p2 #222
2 20/5/2018 1 p3 #333
0 22/5/2018 3 p4 #444
0 23/5/2018 7 p5 #555
1 23/5/2018 7 p6 #666