Połącz dwie kolumny tekstu w ramce danych w pandas / python

Mam ramkę danych 20 x 4000 w Pythonie, używając pand. Dwie z tych kolumn są nazwane Yeari quarter. Chciałbym utworzyć zmienną o nazwie periodmake Year = 2000i quarter= q2into 2000q2.

Czy ktoś może w tym pomóc?

jeśli obie kolumny są łańcuchami, możesz je bezpośrednio łączyć:

df["period"] = df["Year"] + df["quarter"]

Jeśli jedna (lub obie) kolumny nie są napisane ciągiem, należy je najpierw przekonwertować,

df["period"] = df["Year"].astype(str) + df["quarter"]

Uważaj przy tym na Na!

Jeśli chcesz dołączyć wiele kolumn ciągów, możesz użyć agg:

df['period'] = df[['Year', 'quarter', ...]].agg('-'.join, axis=1)

Gdzie „-” jest separatorem.

df = pd.DataFrame({'Year': ['2014', '2015'], 'quarter': ['q1', 'q2']})
df['period'] = df[['Year', 'quarter']].apply(lambda x: ''.join(x), axis=1)

Uzyskuje tę ramkę danych

   Year quarter  period
0  2014      q1  2014q1
1  2015      q2  2015q2

Ta metoda uogólnia na dowolną liczbę kolumn łańcuchowych, zastępując df[['Year', 'quarter']]dowolnym wycinkiem kolumny ramki danych, np df.iloc[:,0:2].apply(lambda x: ''.join(x), axis=1).

Możesz sprawdzić więcej informacji na temat metody Apply () tutaj

Małe zestawy danych (<150 rzędów)

[''.join(i) for i in zip(df["Year"].map(str),df["quarter"])]

lub nieco wolniej, ale bardziej kompaktowo:

df.Year.str.cat(df.quarter)

Większe zestawy danych (> 150 rzędów)

df['Year'].astype(str) + df['quarter']

AKTUALIZACJA: Wykres czasowy Pandas 0.23.4

Przetestujmy to na 200 000 wierszy DF:

In [250]: df
Out[250]:
   Year quarter
0  2014      q1
1  2015      q2

In [251]: df = pd.concat([df] * 10**5)

In [252]: df.shape
Out[252]: (200000, 2)

AKTUALIZACJA: nowe czasy przy użyciu Pandas 0.19.0

Czas bez optymalizacji CPU / GPU (posortowane od najszybszego do najwolniejszego):

In [107]: %timeit df['Year'].astype(str) + df['quarter']
10 loops, best of 3: 131 ms per loop

In [106]: %timeit df['Year'].map(str) + df['quarter']
10 loops, best of 3: 161 ms per loop

In [108]: %timeit df.Year.str.cat(df.quarter)
10 loops, best of 3: 189 ms per loop

In [109]: %timeit df.loc[:, ['Year','quarter']].astype(str).sum(axis=1)
1 loop, best of 3: 567 ms per loop

In [110]: %timeit df[['Year','quarter']].astype(str).sum(axis=1)
1 loop, best of 3: 584 ms per loop

In [111]: %timeit df[['Year','quarter']].apply(lambda x : '{}{}'.format(x[0],x[1]), axis=1)
1 loop, best of 3: 24.7 s per loop

Czas przy użyciu optymalizacji procesora / GPU:

In [113]: %timeit df['Year'].astype(str) + df['quarter']
10 loops, best of 3: 53.3 ms per loop

In [114]: %timeit df['Year'].map(str) + df['quarter']
10 loops, best of 3: 65.5 ms per loop

In [115]: %timeit df.Year.str.cat(df.quarter)
10 loops, best of 3: 79.9 ms per loop

In [116]: %timeit df.loc[:, ['Year','quarter']].astype(str).sum(axis=1)
1 loop, best of 3: 230 ms per loop

In [117]: %timeit df[['Year','quarter']].astype(str).sum(axis=1)
1 loop, best of 3: 230 ms per loop

In [118]: %timeit df[['Year','quarter']].apply(lambda x : '{}{}'.format(x[0],x[1]), axis=1)
1 loop, best of 3: 9.38 s per loop

Odpowiedz wkład od @ anton-vbr

Sposób cat()na .strakcesor działa bardzo dobrze na to:

>>> import pandas as pd
>>> df = pd.DataFrame([["2014", "q1"], 
...                    ["2015", "q3"]],
...                   columns=('Year', 'Quarter'))
>>> print(df)
   Year Quarter
0  2014      q1
1  2015      q3
>>> df['Period'] = df.Year.str.cat(df.Quarter)
>>> print(df)
   Year Quarter  Period
0  2014      q1  2014q1
1  2015      q3  2015q3

cat() pozwala nawet dodać separator, więc na przykład załóżmy, że masz tylko liczby całkowite dla roku i okresu, możesz to zrobić:

>>> import pandas as pd
>>> df = pd.DataFrame([[2014, 1],
...                    [2015, 3]],
...                   columns=('Year', 'Quarter'))
>>> print(df)
   Year Quarter
0  2014       1
1  2015       3
>>> df['Period'] = df.Year.astype(str).str.cat(df.Quarter.astype(str), sep='q')
>>> print(df)
   Year Quarter  Period
0  2014       1  2014q1
1  2015       3  2015q3

Łączenie wielu kolumn to tylko kwestia przekazania listy serii lub ramki danych zawierającej wszystkie oprócz pierwszej kolumny jako parametr do str.cat()wywołania w pierwszej kolumnie (serii):

>>> df = pd.DataFrame(
...     [['USA', 'Nevada', 'Las Vegas'],
...      ['Brazil', 'Pernambuco', 'Recife']],
...     columns=['Country', 'State', 'City'],
... )
>>> df['AllTogether'] = df['Country'].str.cat(df[['State', 'City']], sep=' - ')
>>> print(df)
  Country       State       City                   AllTogether
0     USA      Nevada  Las Vegas      USA - Nevada - Las Vegas
1  Brazil  Pernambuco     Recife  Brazil - Pernambuco - Recife

Zauważ, że jeśli twoja ramka danych / serii pand ma wartości zerowe, musisz dołączyć parametr na_rep, aby zastąpić wartości NaN ciągiem, w przeciwnym razie połączona kolumna będzie domyślnie ustawiona na NaN.

Tym razem użycie funkcji lamba z string.format ().

import pandas as pd
df = pd.DataFrame({'Year': ['2014', '2015'], 'Quarter': ['q1', 'q2']})
print df
df['YearQuarter'] = df[['Year','Quarter']].apply(lambda x : '{}{}'.format(x[0],x[1]), axis=1)
print df

  Quarter  Year
0      q1  2014
1      q2  2015
  Quarter  Year YearQuarter
0      q1  2014      2014q1
1      q2  2015      2015q2

Pozwala to na pracę z nie-ciągami i formatowanie wartości w razie potrzeby.

import pandas as pd
df = pd.DataFrame({'Year': ['2014', '2015'], 'Quarter': [1, 2]})
print df.dtypes
print df

df['YearQuarter'] = df[['Year','Quarter']].apply(lambda x : '{}q{}'.format(x[0],x[1]), axis=1)
print df

Quarter     int64
Year       object
dtype: object
   Quarter  Year
0        1  2014
1        2  2015
   Quarter  Year YearQuarter
0        1  2014      2014q1
1        2  2015      2015q2

Prosta odpowiedź na twoje pytanie.

    year    quarter
0   2000    q1
1   2000    q2

> df['year_quarter'] = df['year'] + '' + df['quarter']

> print(df['year_quarter'])
  2000q1
  2000q2

Chociaż odpowiedź @silvado jest dobre, jeśli zmieni df.map(str)się df.astype(str)to będzie szybciej:

import pandas as pd
df = pd.DataFrame({'Year': ['2014', '2015'], 'quarter': ['q1', 'q2']})

In [131]: %timeit df["Year"].map(str)
10000 loops, best of 3: 132 us per loop

In [132]: %timeit df["Year"].astype(str)
10000 loops, best of 3: 82.2 us per loop

Załóżmy swoje dataframeIS dfz kolumnami Yeari Quarter.

import pandas as pd
df = pd.DataFrame({'Quarter':'q1 q2 q3 q4'.split(), 'Year':'2000'})

Załóżmy, że chcemy zobaczyć ramkę danych;

df
>>>  Quarter    Year
   0    q1      2000
   1    q2      2000
   2    q3      2000
   3    q4      2000

Na koniec połącz Yeari Quarternastępujące elementy.

df['Period'] = df['Year'] + ' ' + df['Quarter']

Teraz możesz print df zobaczyć wynikową ramkę danych.

df
>>>  Quarter    Year    Period
    0   q1      2000    2000 q1
    1   q2      2000    2000 q2
    2   q3      2000    2000 q3
    3   q4      2000    2000 q4

Jeśli nie chcesz odstępu między rokiem a kwartałem, po prostu usuń go, wykonując tę ​​czynność;

df['Period'] = df['Year'] + df['Quarter']

Oto implementacja, którą uważam za bardzo wszechstronną:

In [1]: import pandas as pd 

In [2]: df = pd.DataFrame([[0, 'the', 'quick', 'brown'],
   ...:                    [1, 'fox', 'jumps', 'over'], 
   ...:                    [2, 'the', 'lazy', 'dog']],
   ...:                   columns=['c0', 'c1', 'c2', 'c3'])

In [3]: def str_join(df, sep, *cols):
   ...:     from functools import reduce
   ...:     return reduce(lambda x, y: x.astype(str).str.cat(y.astype(str), sep=sep), 
   ...:                   [df[col] for col in cols])
   ...: 

In [4]: df['cat'] = str_join(df, '-', 'c0', 'c1', 'c2', 'c3')

In [5]: df
Out[5]: 
   c0   c1     c2     c3                cat
0   0  the  quick  brown  0-the-quick-brown
1   1  fox  jumps   over   1-fox-jumps-over
2   2  the   lazy    dog     2-the-lazy-dog

Ponieważ dane są wstawiane do ramki danych, to polecenie powinno rozwiązać problem:

df['period'] = df[['Year', 'quarter']].apply(lambda x: ' '.join(x.astype(str)), axis=1)

bardziej wydajny jest

def concat_df_str1(df):
    """ run time: 1.3416s """
    return pd.Series([''.join(row.astype(str)) for row in df.values], index=df.index)

a oto próba czasowa:

import numpy as np
import pandas as pd

from time import time


def concat_df_str1(df):
    """ run time: 1.3416s """
    return pd.Series([''.join(row.astype(str)) for row in df.values], index=df.index)


def concat_df_str2(df):
    """ run time: 5.2758s """
    return df.astype(str).sum(axis=1)


def concat_df_str3(df):
    """ run time: 5.0076s """
    df = df.astype(str)
    return df[0] + df[1] + df[2] + df[3] + df[4] + \
           df[5] + df[6] + df[7] + df[8] + df[9]


def concat_df_str4(df):
    """ run time: 7.8624s """
    return df.astype(str).apply(lambda x: ''.join(x), axis=1)


def main():
    df = pd.DataFrame(np.zeros(1000000).reshape(100000, 10))
    df = df.astype(int)

    time1 = time()
    df_en = concat_df_str4(df)
    print('run time: %.4fs' % (time() - time1))
    print(df_en.head(10))


if __name__ == '__main__':
    main()

końcowy, gdy sumużyje się (concat_df_str2), wynik nie jest po prostu concat, przejdzie do liczby całkowitej.

uogólniając na wiele kolumn, dlaczego nie:

columns = ['whatever', 'columns', 'you', 'choose']
df['period'] = df[columns].astype(str).sum(axis=1)

Korzystanie zipmoże być jeszcze szybsze:

df["period"] = [''.join(i) for i in zip(df["Year"].map(str),df["quarter"])]

Wykres:

import pandas as pd
import numpy as np
import timeit
import matplotlib.pyplot as plt
from collections import defaultdict

df = pd.DataFrame({'Year': ['2014', '2015'], 'quarter': ['q1', 'q2']})

myfuncs = {
"df['Year'].astype(str) + df['quarter']":
    lambda: df['Year'].astype(str) + df['quarter'],
"df['Year'].map(str) + df['quarter']":
    lambda: df['Year'].map(str) + df['quarter'],
"df.Year.str.cat(df.quarter)":
    lambda: df.Year.str.cat(df.quarter),
"df.loc[:, ['Year','quarter']].astype(str).sum(axis=1)":
    lambda: df.loc[:, ['Year','quarter']].astype(str).sum(axis=1),
"df[['Year','quarter']].astype(str).sum(axis=1)":
    lambda: df[['Year','quarter']].astype(str).sum(axis=1),
    "df[['Year','quarter']].apply(lambda x : '{}{}'.format(x[0],x[1]), axis=1)":
    lambda: df[['Year','quarter']].apply(lambda x : '{}{}'.format(x[0],x[1]), axis=1),
    "[''.join(i) for i in zip(dataframe['Year'].map(str),dataframe['quarter'])]":
    lambda: [''.join(i) for i in zip(df["Year"].map(str),df["quarter"])]
}

d = defaultdict(dict)
step = 10
cont = True
while cont:
    lendf = len(df); print(lendf)
    for k,v in myfuncs.items():
        iters = 1
        t = 0
        while t < 0.2:
            ts = timeit.repeat(v, number=iters, repeat=3)
            t = min(ts)
            iters *= 10
        d[k][lendf] = t/iters
        if t > 2: cont = False
    df = pd.concat([df]*step)

pd.DataFrame(d).plot().legend(loc='upper center', bbox_to_anchor=(0.5, -0.15))
plt.yscale('log'); plt.xscale('log'); plt.ylabel('seconds'); plt.xlabel('df rows')
plt.show()

Najprostsze rozwiązanie:

Ogólne rozwiązanie

df['combined_col'] = df[['col1', 'col2']].astype(str).apply('-'.join, axis=1)

Pytanie specyficzne rozwiązanie

df['quarter_year'] = df[['quarter', 'year']].astype(str).apply(''.join, axis=1)

Określ preferowany separator w cudzysłowie przed .join

W tym rozwiązaniu zastosowano etap pośredni kompresujący dwie kolumny DataFrame do pojedynczej kolumny zawierającej listę wartości. Działa to nie tylko dla ciągów, ale dla wszystkich rodzajów typów kolumn

import pandas as pd
df = pd.DataFrame({'Year': ['2014', '2015'], 'quarter': ['q1', 'q2']})
df['list']=df[['Year','quarter']].values.tolist()
df['period']=df['list'].apply(''.join)
print(df)

Wynik:

   Year quarter        list  period
0  2014      q1  [2014, q1]  2014q1
1  2015      q2  [2015, q2]  2015q2

Jak wielu wspomniało wcześniej, należy przekonwertować każdą kolumnę na ciąg, a następnie użyć operatora plus, aby połączyć dwie kolumny ciągów. Możesz uzyskać dużą poprawę wydajności, używając NumPy.

%timeit df['Year'].values.astype(str) + df.quarter
71.1 ms ± 3.76 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

%timeit df['Year'].astype(str) + df['quarter']
565 ms ± 22.3 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

Myślę, że najlepszym sposobem na połączenie kolumn w pandy jest konwersja obu kolumn na liczby całkowite, a następnie na str.

df[['Year', 'quarter']] = df[['Year', 'quarter']].astype(int).astype(str)
df['Period']= df['Year'] + 'q' + df['quarter']

Oto moje podsumowanie powyższych rozwiązań, aby połączyć / połączyć dwie kolumny z wartościami int i str w nową kolumnę, używając separatora między wartościami kolumn. W tym celu działają trzy rozwiązania.

# be cautious about the separator, some symbols may cause "SyntaxError: EOL while scanning string literal".
# e.g. ";;" as separator would raise the SyntaxError

separator = "&&" 

# pd.Series.str.cat() method does not work to concatenate / combine two columns with int value and str value. This would raise "AttributeError: Can only use .cat accessor with a 'category' dtype"

df["period"] = df["Year"].map(str) + separator + df["quarter"]
df["period"] = df[['Year','quarter']].apply(lambda x : '{} && {}'.format(x[0],x[1]), axis=1)
df["period"] = df.apply(lambda x: f'{x["Year"]} && {x["quarter"]}', axis=1)

Zastosowanie .combine_first.

df['Period'] = df['Year'].combine_first(df['Quarter'])

def madd(x):
    """Performs element-wise string concatenation with multiple input arrays.

    Args:
        x: iterable of np.array.

    Returns: np.array.
    """
    for i, arr in enumerate(x):
        if type(arr.item(0)) is not str:
            x[i] = x[i].astype(str)
    return reduce(np.core.defchararray.add, x)

Na przykład:

data = list(zip([2000]*4, ['q1', 'q2', 'q3', 'q4']))
df = pd.DataFrame(data=data, columns=['Year', 'quarter'])
df['period'] = madd([df[col].values for col in ['Year', 'quarter']])

df

    Year    quarter period
0   2000    q1  2000q1
1   2000    q2  2000q2
2   2000    q3  2000q3
3   2000    q4  2000q4

Można użyć metody przypisania DataFrame :

df= (pd.DataFrame({'Year': ['2014', '2015'], 'quarter': ['q1', 'q2']}).
  assign(period=lambda x: x.Year+x.quarter ))

dataframe["period"] = dataframe["Year"].astype(str).add(dataframe["quarter"])

lub jeśli wartości są takie jak [2000] [4] i chcesz zrobić [2000q4]

dataframe["period"] = dataframe["Year"].astype(str).add('q').add(dataframe["quarter"]).astype(str)

podstawiając .astype(str)z .map(str)prac zbyt.