我在熊猫中有一个平方相关矩阵,并且我试图通过最有效的方式来返回所有值,其中值(总是浮点数-1 < = x < = 1)高于一定的阈值。熊猫 - 在所有列上过滤
pandas.DataFrame.filter方法要求列或RegEx的列表,但我总是想要通过所有列。是否有最佳做法呢?
我在熊猫中有一个平方相关矩阵,并且我试图通过最有效的方式来返回所有值,其中值(总是浮点数-1 < = x < = 1)高于一定的阈值。熊猫 - 在所有列上过滤
pandas.DataFrame.filter方法要求列或RegEx的列表,但我总是想要通过所有列。是否有最佳做法呢?
由于您没有提供样品,因此不确定您希望的输出是什么,但是我会给你我的两分钱:
In[1]:
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.rand(10,5))
corr = df.corr()
corr.shape
Out[1]: (5, 5)
现在,我们来提取相关矩阵(它是对称的)的上三角形,,不包括对角线。为此,我们将使用np.tril
,将其作为布尔值进行投射,并使用~
运算符得到与之相反的结果。
In [2]: corr_triu = corr.where(~np.tril(np.ones(corr.shape)).astype(np.bool))
corr_triu
Out[2]:
0 1 2 3 4
0 NaN 0.228763 -0.276406 0.286771 -0.050825
1 NaN NaN -0.562459 -0.596057 0.540656
2 NaN NaN NaN 0.402752 0.042400
3 NaN NaN NaN NaN -0.642285
4 NaN NaN NaN NaN NaN
现在,让我们叠加这一点,并过滤掉高于0.3
例如所有值:
In [3]: corr_triu = corr_triu.stack()
corr_triu[corr_triu > 0.3]
Out[3]:
1 4 0.540656
2 3 0.402752
dtype: float64
如果你想有点漂亮:
In [4]: corr_triu.name = 'Pearson Correlation Coefficient'
corr_triu.index.names = ['Col1', 'Col2']
In [5]: corr_triu[corr_triu > 0.3].to_frame()
Out[5]:
Pearson Correlation Coefficient
Col1 Col2
1 4 0.540656
2 3 0.402752
我提高了,因为这教会了我一个处理对称矩阵情况的好方法。 –
有两种方法去了解这一点:
假设:
In [7]: c = np.array([-1,-2,-2,-3,-4,-6,-7,-8])
In [8]: a = np.array([1,2,3,4,6,7,8,9])
In [9]: b = np.array([2,4,6,8,10,12,13,15])
In [10]: c = np.array([-1,-2,-2,-3,-4,-6,-7,-8])
In [11]: corr = np.corrcoef([a,b,c])
In [12]: df = pd.DataFrame(corr)
In [13]: df
Out[13]:
0 1 2
0 1.000000 0.995350 -0.980521
1 0.995350 1.000000 -0.971724
2 -0.980521 -0.971724 1.000000
然后,你可以简单地说:
In [14]: df > 0.5
Out[14]:
0 1 2
0 True True False
1 True True False
2 False False True
In [15]: df[df > 0.5]
Out[15]:
0 1 2
0 1.00000 0.99535 NaN
1 0.99535 1.00000 NaN
2 NaN NaN 1.0
如果你只想要的值,那么最简单的方法是使用values
属性与底层numpy数据结构一起工作:
In [17]: df.values
Out[17]:
array([[ 1. , 0.99535001, -0.9805214 ],
[ 0.99535001, 1. , -0.97172394],
[-0.9805214 , -0.97172394, 1. ]])
In [18]: df.values[(df > 0.5).values]
Out[18]: array([ 1. , 0.99535001, 0.99535001, 1. , 1. ])
相反的.values
,由艾汉指出的那样,你可以使用stack
自动下降NaN
,也保留标签...
In [22]: df.index = ['a','b','c']
In [23]: df.columns=['a','b','c']
In [24]: df
Out[24]:
a b c
a 1.000000 0.995350 -0.980521
b 0.995350 1.000000 -0.971724
c -0.980521 -0.971724 1.000000
In [25]: df.stack() > 0.5
Out[25]:
a a True
b True
c False
b a True
b True
c False
c a False
b False
c True
dtype: bool
In [26]: df.stack()[df.stack() > 0.5]
Out[26]:
a a 1.00000
b 0.99535
b a 0.99535
b 1.00000
c c 1.00000
dtype: float64
您可以随时回去......
In [29]: (df.stack()[df.stack() > 0.5]).unstack()
Out[29]:
a b c
a 1.00000 0.99535 NaN
b 0.99535 1.00000 NaN
c NaN NaN 1.0
除'values'之外,'stack()'也很有用,因为它会自动删除NaN,但会保留标签。 – ayhan
@ayhan好电话 –
你的解决方案绝对比我的感觉更自然,但我会提醒的是,它确实保留了不必要的项目('('x','x')'必须始终为1)以及排列组合: '('a','b')'与'('b','a')'相同。 (这很好,因为我们仍然不知道OP的要求,所以我高举了它) –
你可以添加样品与期望的输出?如果超出条件的值被“NaN”取代? – jezrael