Qual é a maneira mais eficiente de criar um dicionário de duas colunas de Dataframe de pandas?

136

Qual é a maneira mais eficiente de organizar o seguinte DataFrame dos pandas:

data =

Position    Letter
1           a
2           b
3           c
4           d
5           e

em um dicionário como alphabet[1 : 'a', 2 : 'b', 3 : 'c', 4 : 'd', 5 : 'e']?

user1083734
fonte

Respostas:

182
In [9]: pd.Series(df.Letter.values,index=df.Position).to_dict()
Out[9]: {1: 'a', 2: 'b', 3: 'c', 4: 'd', 5: 'e'}

Comparação de velocidade (usando o método de Wouter)

In [6]: df = pd.DataFrame(randint(0,10,10000).reshape(5000,2),columns=list('AB'))

In [7]: %timeit dict(zip(df.A,df.B))
1000 loops, best of 3: 1.27 ms per loop

In [8]: %timeit pd.Series(df.A.values,index=df.B).to_dict()
1000 loops, best of 3: 987 us per loop
Jeff
fonte
20
Sem criar uma série de primeira ... dict (ZIP (df.Position, df.Letter))
Wouter Overmeire
1
Para sua informação ..... meu método está muito próximo do que Wouter está fazendo, a diferença é implementada usando izip, e não zip; gerador faz a diferença Eu acho
Jeff
1
@WouterOvermeire isso funciona na minha aplicação perfeitamente, obrigado por sua contribuição
user1083734
3
@ Jeff dict (zip ...) mais rápido um
Wouter Overmeire
3
Em uma trama de dados com forma = (100,2), o método de Wouter com dict (zip ...) foi 3x mais rápido do que Jeff - Eu costumava% timeit
Quetzalcoatl
79

Encontrei uma maneira mais rápida de resolver o problema, pelo menos em conjuntos de dados realisticamente grandes usando: df.set_index(KEY).to_dict()[VALUE]

Prova em 50.000 linhas:

df = pd.DataFrame(np.random.randint(32, 120, 100000).reshape(50000,2),columns=list('AB'))
df['A'] = df['A'].apply(chr)

%timeit dict(zip(df.A,df.B))
%timeit pd.Series(df.A.values,index=df.B).to_dict()
%timeit df.set_index('A').to_dict()['B']

Resultado:

100 loops, best of 3: 7.04 ms per loop  # WouterOvermeire
100 loops, best of 3: 9.83 ms per loop  # Jeff
100 loops, best of 3: 4.28 ms per loop  # Kikohs (me)
Kirell
fonte
18
Sempre role para baixo para obter respostas mais rápidas possíveis!
Nour Wolf
5

No Python 3.6, o caminho mais rápido ainda é o WouterOvermeire. A proposta de Kikohs é mais lenta que as outras duas opções.

import timeit

setup = '''
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randint(32, 120, 100000).reshape(50000,2),columns=list('AB'))
df['A'] = df['A'].apply(chr)
'''

timeit.Timer('dict(zip(df.A,df.B))', setup=setup).repeat(7,500)
timeit.Timer('pd.Series(df.A.values,index=df.B).to_dict()', setup=setup).repeat(7,500)
timeit.Timer('df.set_index("A").to_dict()["B"]', setup=setup).repeat(7,500)

Resultados:

1.1214002349999777 s  # WouterOvermeire
1.1922008498571748 s  # Jeff
1.7034366211428602 s  # Kikohs
pakobill
fonte
4

TL; DR

>>> import pandas as pd
>>> df = pd.DataFrame({'Position':[1,2,3,4,5], 'Letter':['a', 'b', 'c', 'd', 'e']})
>>> dict(sorted(df.values.tolist())) # Sort of sorted... 
{'a': 1, 'b': 2, 'c': 3, 'd': 4, 'e': 5}
>>> from collections import OrderedDict
>>> OrderedDict(df.values.tolist())
OrderedDict([('a', 1), ('b', 2), ('c', 3), ('d', 4), ('e', 5)])

In Long

Explicando a solução: dict(sorted(df.values.tolist()))

Dado:

df = pd.DataFrame({'Position':[1,2,3,4,5], 'Letter':['a', 'b', 'c', 'd', 'e']})

[Fora]:

 Letter Position
0   a   1
1   b   2
2   c   3
3   d   4
4   e   5

Experimentar:

# Get the values out to a 2-D numpy array, 
df.values

[Fora]:

array([['a', 1],
       ['b', 2],
       ['c', 3],
       ['d', 4],
       ['e', 5]], dtype=object)

Em seguida, opcionalmente:

# Dump it into a list so that you can sort it using `sorted()`
sorted(df.values.tolist()) # Sort by key

Ou:

# Sort by value:
from operator import itemgetter
sorted(df.values.tolist(), key=itemgetter(1))

[Fora]:

[['a', 1], ['b', 2], ['c', 3], ['d', 4], ['e', 5]]

Por fim, lance a lista da lista de 2 elementos em um ditado.

dict(sorted(df.values.tolist())) 

[Fora]:

{'a': 1, 'b': 2, 'c': 3, 'd': 4, 'e': 5}

Relacionado

Respondendo ao comentário de @sbradbio:

Se houver vários valores para uma chave específica e você desejar manter todos eles, não é a maneira mais eficiente, mas a mais intuitiva:

from collections import defaultdict
import pandas as pd

multivalue_dict = defaultdict(list)

df = pd.DataFrame({'Position':[1,2,4,4,4], 'Letter':['a', 'b', 'd', 'e', 'f']})

for idx,row in df.iterrows():
    multivalue_dict[row['Position']].append(row['Letter'])

[Fora]:

>>> print(multivalue_dict)
defaultdict(list, {1: ['a'], 2: ['b'], 4: ['d', 'e', 'f']})
alvas
fonte
Existe uma maneira você pode adicionar mais de uma coluna como valor{'key': [value1, value2]}
sbradbio
1
Verifique a resposta em anexo
alvas
Eu acho que valor1 e valor2 são duas colunas separadas. Você poderia criar um dicionário com {'id': ['long', 'lat]}? long e lat estão em colunas separadas.
Kms