web-dev-qa-db-fra.com

Pandas DataFrames avec comparaison d'égalité NaNs

Dans le cadre du test unitaire de certaines fonctions, j'essaie d'établir l'égalité de 2 DataFrames en utilisant python pandas:

ipdb> expect
                            1   2
2012-01-01 00:00:00+00:00 NaN   3
2013-05-14 12:00:00+00:00   3 NaN

ipdb> df
identifier                  1   2
timestamp
2012-01-01 00:00:00+00:00 NaN   3
2013-05-14 12:00:00+00:00   3 NaN

ipdb> df[1][0]
nan

ipdb> df[1][0], expect[1][0]
(nan, nan)

ipdb> df[1][0] == expect[1][0]
False

ipdb> df[1][1] == expect[1][1]
True

ipdb> type(df[1][0])
<type 'numpy.float64'>

ipdb> type(expect[1][0])
<type 'numpy.float64'>

ipdb> (list(df[1]), list(expect[1]))
([nan, 3.0], [nan, 3.0])

ipdb> df1, df2 = (list(df[1]), list(expect[1])) ;; df1 == df2
False

Étant donné que j'essaie de tester l'ensemble de expect par rapport à l'ensemble de df, y compris NaN positions, que fais-je de mal?

Quel est le moyen le plus simple de comparer l'égalité des Series/DataFrames, y compris NaNs?

25
Steve Pike

Vous pouvez utiliser assert_frame_equals avec check_names = False (afin de ne pas vérifier les noms d'index/colonnes), ce qui augmentera s'ils ne sont pas égaux:

In [11]: from pandas.testing import assert_frame_equal

In [12]: assert_frame_equal(df, expected, check_names=False)

Vous pouvez envelopper cela dans une fonction avec quelque chose comme:

try:
    assert_frame_equal(df, expected, check_names=False)
    return True
except AssertionError:
    return False

Dans les plus récents pandas cette fonctionnalité a été ajoutée sous la forme .equals :

df.equals(expected)
26
Andy Hayden

L'une des propriétés de NaN est que NaN != NaN est True.

Consultez cette réponse pour une belle façon de le faire en utilisant numexpr.

(a == b) | ((a != a) & (b != b))

dit ceci (en pseudocode):

a == b or (isnan(a) and isnan(b))

Ainsi, soit a est égal à b, soit a et b sont NaN.

Si vous avez de petits cadres, alors assert_frame_equal ira bien. Cependant, pour les grands cadres (10 millions de lignes) assert_frame_equal est à peu près inutile. J'ai dû l'interrompre, cela prenait tellement de temps.

In [1]: df = DataFrame(Rand(1e7, 15))

In [2]: df = df[df > 0.5]

In [3]: df2 = df.copy()

In [4]: df
Out[4]:
<class 'pandas.core.frame.DataFrame'>
Int64Index: 10000000 entries, 0 to 9999999
Columns: 15 entries, 0 to 14
dtypes: float64(15)

In [5]: timeit (df == df2) | ((df != df) & (df2 != df2))
1 loops, best of 3: 598 ms per loop

timeit du single (vraisemblablement) désiré bool indiquant si les deux DataFrame sont égaux:

In [9]: timeit ((df == df2) | ((df != df) & (df2 != df2))).values.all()
1 loops, best of 3: 687 ms per loop
16
Phillip Cloud

Comme la réponse @PhillipCloud, mais plus écrite

In [26]: df1 = DataFrame([[np.nan,1],[2,np.nan]])

In [27]: df2 = df1.copy()

Ils sont vraiment équivalents

In [28]: result = df1 == df2

In [29]: result[pd.isnull(df1) == pd.isnull(df2)] = True

In [30]: result
Out[30]: 
      0     1
0  True  True
1  True  True

Un nan en df2 qui n'existe pas en df1

In [31]: df2 = DataFrame([[np.nan,1],[np.nan,np.nan]])

In [32]: result = df1 == df2

In [33]: result[pd.isnull(df1) == pd.isnull(df2)] = True

In [34]: result
Out[34]: 
       0     1
0   True  True
1  False  True

Vous pouvez également remplir avec une valeur que vous savez ne pas être dans le cadre

In [38]: df1.fillna(-999) == df1.fillna(-999)
Out[38]: 
      0     1
0  True  True
1  True  True
3
Jeff
df.fillna(0) == df2.fillna(0)

Vous pouvez utiliser fillna(). Documenation ici .

from pandas import DataFrame

# create a dataframe with NaNs
df = DataFrame([{'a': 1, 'b': 2}, {'a': 5, 'b': 10, 'c': 20}])
df2 = df

# comparison fails!
print df == df2

# all is well 
print df.fillna(0) == df2.fillna(0)
1
stephentgrammer

Toute comparaison d'égalité utilisant == avec np.NaN est False, même np.NaN == np.NaN est False.

Simplement, df1.fillna('NULL') == df2.fillna('NULL'), si 'NULL' n'est pas une valeur dans les données d'origine.

Pour être sûr, procédez comme suit:

Exemple a) Comparez deux trames de données avec des valeurs NaN

bools = (df1 == df2)
bools[pd.isnull(df1) & pd.isnull(df2)] = True
assert bools.all().all()

Exemple b) Filtrer les lignes dans df1 qui ne correspondent pas à df2

bools = (df1 != df2)
bools[pd.isnull(df1) & pd.isnull(df2)] = False
df_outlier = df1[bools.all(axis=1)]

(Remarque: c'est faux - bools [pd.isnull (df1) == pd.isnull (df2)] = False)

0
Lydia