创建一个空的Pandas DataFrame,然后填充它？

Question

我从这里的pandas DataFrame文档开始:http://pandas.pydata.org/pandas-docs/stable/dsintro.html

我想迭代地使用时间序列计算中的值填充DataFrame.基本上,我想用列A,B和时间戳行初始化DataFrame,全部为0或全部为NaN.

然后,我会添加初始值并检查此数据,计算前一行中的新行,row[A][t] = row[A][t-1]+1或者说左右.

我目前正在使用下面的代码,但我觉得它有点难看,必须有一种方法可以直接使用DataFrame,或者只是更好的方式.注意:我使用的是Python 2.7.

import datetime as dt
import pandas as pd
import scipy as s

if __name__ == '__main__':
    base = dt.datetime.today().date()
    dates = [ base - dt.timedelta(days=x) for x in range(0,10) ]
    dates.sort()

    valdict = {}
    symbols = ['A','B', 'C']
    for symb in symbols:
        valdict[symb] = pd.Series( s.zeros( len(dates)), dates )

    for thedate in dates:
        if thedate > dates[0]:
            for symb in valdict:
                valdict[symb][thedate] = 1+valdict[symb][thedate - dt.timedelta(days=1)]

    print valdict

Answer 1

以下是一些建议:

使用date_range的指标:

import datetime
import pandas as pd
import numpy as np

todays_date = datetime.datetime.now().date()
index = pd.date_range(todays_date-datetime.timedelta(10), periods=10, freq='D')

columns = ['A','B', 'C']

注意:我们可以NaN简单地通过编写来创建一个空的DataFrame(带有s):

df_ = pd.DataFrame(index=index, columns=columns)
df_ = df_.fillna(0) # with 0s rather than NaNs

要对数据执行这些类型的计算,请使用numpy数组:

data = np.array([np.arange(10)]*3).T

因此我们可以创建DataFrame:

In [10]: df = pd.DataFrame(data, index=index, columns=columns)

In [11]: df
Out[11]: 
            A  B  C
2012-11-29  0  0  0
2012-11-30  1  1  1
2012-12-01  2  2  2
2012-12-02  3  3  3
2012-12-03  4  4  4
2012-12-04  5  5  5
2012-12-05  6  6  6
2012-12-06  7  7  7
2012-12-07  8  8  8
2012-12-08  9  9  9

Answer 2

如果您只是想创建一个空数据框并稍后用一些传入数据框填充它,请尝试以下方法:

在这个例子中,我使用这个pandas doc创建一个新的数据框,然后使用append用newDF中的数据写入newDF.

看看这个

newDF = pd.DataFrame() #creates a new dataframe that's empty
newDF = newDF.append(oldDF, ignore_index = True) # ignoring index is optional
# try printing some data from newDF
print newDF.head() #again optional 

• 如果我必须继续从多个oldDF向这个newDF追加新数据,我只需使用for循环迭代 pandas.DataFrame.append()

Answer 3

如果您想从一开始就拥有列名,请使用以下方法:

import pandas as pd

col_names =  ['A', 'B', 'C']
my_df  = pd.DataFrame(columns = col_names)
my_df

如果要向数据帧添加记录,最好使用:

my_df.loc[len(my_df)] = [2, 4, 5]

您可能还想传递字典:

my_dic = {'A':2, 'B':4, 'C':5}
my_df.loc[len(my_df)] = my_dic 

但是,如果要将另一个数据帧添加到my_df,请执行以下操作:

col_names =  ['A', 'B', 'C']
my_df2  = pd.DataFrame(columns = col_names)
my_df = my_df.append(my_df2)

如果要在循环内添加行,请考虑性能问题;
对于大约前1000条记录,"my_df.loc"性能更好,并且通过增加循环中的记录数逐渐变慢.

如果你计划在一个大循环内(比如10M记录左右)
那么你最好使用这两者的混合物; 使用iloc填充数据帧,直到大小达到1000,然后将其附加到原始数据帧,并清空临时数据帧.这会使你的表现提高大约10倍

Answer 4

创建数据框的正确方法

TLDR；（只需阅读粗体文字）

这里的大多数答案将告诉您如何创建一个空的DataFrame并填写它，但是没有人会告诉您这是一件坏事。

这是我的建议：等待直到您确定拥有所有需要使用的数据。使用列表收集数据，然后在准备好时初始化DataFrame。

data = []
for a, b, c in some_function_that_yields_data():
    data.append([a, b, c])

df = pd.DataFrame(data, columns=['A', 'B', 'C'])

一次添加到列表并创建一个DataFrame总是比创建一个空的DataFrame（或NaN之一）便宜，一次又一次地添加到列表中总是便宜的。列表还占用较少的内存，并且是用于，附加和删除（如果需要）的较轻的数据结构。

此方法的另一个优点是dtypes可以自动推断（而不是分配object给所有对象）。

最后一个优点是为您的数据自动创建了aRangeIndex，因此不必担心（只需查看下面的劣势append和loc方法，您将在两种方法中看到需要正确处理索引的元素）。

你不应该做的事情

append或concat在循环内

这是我从初学者看到的最大错误：

df = pd.DataFrame(columns=['A', 'B', 'C'])
for a, b, c in some_function_that_yields_data():
    df = df.append({'A': i, 'B': b, 'C': c}, ignore_index=True) # yuck
    # or similarly,
    # df = pd.concat([df, pd.Series({'A': i, 'B': b, 'C': c})], ignore_index=True)

内存重新分配给每一个append或concat你有操作。再加上一个循环，就可以进行二次复杂度运算。从df.append文档页面：

迭代地将行添加到DataFrame可能比单个连接更多地占用大量计算资源。更好的解决方案是将这些行添加到列表中，然后一次将列表与原始DataFrame连接起来。

与之相关的另一个错误df.append是用户倾向于忘记append不是就地函数，因此必须将结果分配回去。您还必须担心dtypes：

df = pd.DataFrame(columns=['A', 'B', 'C'])
df = df.append({'A': 1, 'B': 12.3, 'C': 'xyz'}, ignore_index=True)

df.dtypes
A     object   # yuck!
B    float64
C     object
dtype: object

处理对象列从来都不是一件好事，因为熊猫无法向量化这些列上的操作。您将需要执行以下操作来修复它：

df.infer_objects().dtypes
A      int64
B    float64
C     object
dtype: object

loc 循环内

我还曾经看到过loc将其追加到创建为空的DataFrame上：

df = pd.DataFrame(columns=['A', 'B', 'C'])
for a, b, c in some_function_that_yields_data():
    df.loc[len(df)] = [a, b, c]

和以前一样，您没有每次都预先分配所需的内存量，因此每次创建新行时都会重新增加内存。就像一样糟糕append，甚至更难看。

NaN的空数据框

然后，创建一个NaN的DataFrame以及与此相关的所有警告。

df = pd.DataFrame(columns=['A', 'B', 'C'], index=range(5))
df
     A    B    C
0  NaN  NaN  NaN
1  NaN  NaN  NaN
2  NaN  NaN  NaN
3  NaN  NaN  NaN
4  NaN  NaN  NaN

它会像其他对象一样创建一个对象列的DataFrame。

df.dtypes
A    object  # you DON'T want this
B    object
C    object
dtype: object

如上所述，追加仍然存在所有问题。

for i, (a, b, c) in enumerate(some_function_that_yields_data()):
    df.iloc[i] = [a, b, c]

证明在布丁里

对这些方法进行计时是最快的方法，以了解它们在内存和实用性方面的差异。

基准测试代码供参考。