Como formar uma coluna de tupla a partir de duas colunas no Pandas

125

Eu tenho um DataFrame do Pandas e quero combinar as colunas 'lat' e 'long' para formar uma tupla.

<class 'pandas.core.frame.DataFrame'>
Int64Index: 205482 entries, 0 to 209018
Data columns:
Month           205482  non-null values
Reported by     205482  non-null values
Falls within    205482  non-null values
Easting         205482  non-null values
Northing        205482  non-null values
Location        205482  non-null values
Crime type      205482  non-null values
long            205482  non-null values
lat             205482  non-null values
dtypes: float64(4), object(5)

O código que tentei usar era:

def merge_two_cols(series): 
    return (series['lat'], series['long'])

sample['lat_long'] = sample.apply(merge_two_cols, axis=1)

No entanto, isso retornou o seguinte erro:

---------------------------------------------------------------------------
 AssertionError                            Traceback (most recent call last)
<ipython-input-261-e752e52a96e6> in <module>()
      2     return (series['lat'], series['long'])
      3 
----> 4 sample['lat_long'] = sample.apply(merge_two_cols, axis=1)
      5

...

AssertionError: Block shape incompatible with manager 

Como posso resolver este problema?

elksie5000
fonte

Respostas:

201

Fique à vontade com zip. É útil ao lidar com dados da coluna.

df['new_col'] = list(zip(df.lat, df.long))

É menos complicado e mais rápido do que usar applyor map. Algo como np.dstacké duas vezes mais rápido que zip, mas não lhe daria tuplas.

Dale Jung
fonte
3
em python3, você precisa usar list. Isso deve funcionar:df['new_col'] = list(zip(df.lat, df.long))
paulwasit 2/16
@paulwasit ah sim, meu amor odeia o relacionamento com o comportamento preguiçoso do python 3. obrigado.
Dale Jung
4
Este método list(zip(df.lat, df.long))em 124ms é muito mais eficiente do que df[['lat', 'long']].apply(tuple, axis=1)em 14,2 s para linhas de 900k. A relação é mais do que 100.
Pengju Zhao
1
Estou tentando usar isso com uma lista mais longa de colunas, df['new_col'] = list(zip(df[cols_to_keep])) mas continuo recebendo um erro: Length of values does not match length of indexalgum conselho?
seeiespi
1
A resposta de @ PeterHansen me ajudou, mas acho que pode ter faltado um * para descompactar a lista primeiro - ie df['new_col'] = list(zip(*[df[c] for c in cols_to_keep])
jedge
61
In [10]: df
Out[10]:
          A         B       lat      long
0  1.428987  0.614405  0.484370 -0.628298
1 -0.485747  0.275096  0.497116  1.047605
2  0.822527  0.340689  2.120676 -2.436831
3  0.384719 -0.042070  1.426703 -0.634355
4 -0.937442  2.520756 -1.662615 -1.377490
5 -0.154816  0.617671 -0.090484 -0.191906
6 -0.705177 -1.086138 -0.629708  1.332853
7  0.637496 -0.643773 -0.492668 -0.777344
8  1.109497 -0.610165  0.260325  2.533383
9 -1.224584  0.117668  1.304369 -0.152561

In [11]: df['lat_long'] = df[['lat', 'long']].apply(tuple, axis=1)

In [12]: df
Out[12]:
          A         B       lat      long                             lat_long
0  1.428987  0.614405  0.484370 -0.628298      (0.484370195967, -0.6282975278)
1 -0.485747  0.275096  0.497116  1.047605      (0.497115615839, 1.04760475074)
2  0.822527  0.340689  2.120676 -2.436831      (2.12067574274, -2.43683074367)
3  0.384719 -0.042070  1.426703 -0.634355      (1.42670326172, -0.63435462504)
4 -0.937442  2.520756 -1.662615 -1.377490     (-1.66261469102, -1.37749004179)
5 -0.154816  0.617671 -0.090484 -0.191906  (-0.0904840623396, -0.191905582481)
6 -0.705177 -1.086138 -0.629708  1.332853     (-0.629707821728, 1.33285348929)
7  0.637496 -0.643773 -0.492668 -0.777344   (-0.492667604075, -0.777344111021)
8  1.109497 -0.610165  0.260325  2.533383        (0.26032456699, 2.5333825651)
9 -1.224584  0.117668  1.304369 -0.152561     (1.30436900612, -0.152560909725)
Wouter Overmeire
fonte
Isso é brilhante. Obrigado. Claramente, preciso entender minhas funções lambda.
precisa saber é o seguinte
Isso funcionou nos seus dados? Se sim, você pode compartilhar sua versão do pandas e os dados? Gostaria de saber por que seu código não funcionou, deveria.
Wouter Overmeire
A versão é 0.10.1_20130131. Desculpe minha ignorância, mas qual é a melhor maneira de enviar uma seção dos dados para você? (Ainda é um novato relativo).
precisa saber é o seguinte
Falha ao reproduzir no 0.10.1. Melhor maneira de fazer upload? Você pode criar um código que gere um quadro contendo dados aleatórios, com o mesmo problema e compartilhar esse código ou selecionar o quadro acima (amostra) e transferi-lo por meio de um serviço gratuito de transferência de arquivos grandes. Como pickle (em duas linhas, sem ""): salmoura importação, com open ( 'sample.pickle', 'w') como arquivo: pickle.dump (amostra, arquivo)
Wouter Overmeire
1
Fiz um voto positivo, pois preciso compactar 10 colunas e não quero fornecer o nome do quadro de dados 10 vezes. Só quero dar nomes de colunas.
precisa saber é o seguinte
13

O Pandas tem o itertuplesmétodo para fazer exatamente isso:

list(df[['lat', 'long']].itertuples(index=False, name=None))
Ted Petrou
fonte
3

Eu gostaria de adicionar df.values.tolist(). (contanto que você não se importe em obter uma coluna de listas em vez de tuplas)

import pandas as pd
import numpy as np

size = int(1e+07)
df = pd.DataFrame({'a': np.random.rand(size), 'b': np.random.rand(size)}) 

%timeit df.values.tolist()
1.47 s ± 38.9 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

%timeit list(zip(df.a,df.b))
1.92 s ± 131 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
user3820991
fonte
Quando você tem mais do que apenas essas duas colunas: %timeit df[['a', 'b']].values.tolist(). Ainda é muito mais rápido.
ChaimG