当前位置: 代码迷 >> python >> 我如何找到:每列中的第一个非NaN值是DataFrame中该列的最大值吗? 选项A):只要groupby与first 选项b) : bfill 选项c) : stack 选项d): idxmax与first_valid_index 选项E)(从PIR): idxmax与isna
  详细解决方案

我如何找到:每列中的第一个非NaN值是DataFrame中该列的最大值吗? 选项A):只要groupby与first 选项b) : bfill 选项c) : stack 选项d): idxmax与first_valid_index 选项E)(从PIR): idxmax与isna

热度:90   发布时间:2023-06-19 09:27:08.0

例如:

      0     1
0  87.0   NaN
1   NaN  99.0
2   NaN   NaN
3   NaN   NaN
4   NaN  66.0
5   NaN   NaN
6   NaN  77.0
7   NaN   NaN
8   NaN   NaN
9  88.0   NaN

我的预期输出是: [False, True]因为87是第一个!NaN值,但不是第0列中的最大值。 99然而,这是第一个!NaN值,实际上是该列中的最大值。

选项A):只要groupbyfirst

(可能不是100% )

df.groupby([1]*len(df)).first()==df.max()
Out[89]: 
       0     1
1  False  True

选项b)bfill

或者使用bfill (通过列中的向后值填充任何NaN值,然后bfill之后的第一行是第一个不是NaN值)

df.bfill().iloc[0]==df.max()
Out[94]: 
0    False
1     True
dtype: bool

选项c)stack

df.stack().reset_index(level=1).drop_duplicates('level_1').set_index('level_1')[0]==df.max()
Out[102]: 
level_1
0    False
1     True
dtype: bool

选项d): idxmaxfirst_valid_index

df.idxmax()==df.apply(pd.Series.first_valid_index)
Out[105]: 
0    False
1     True
dtype: bool

选项E)(从PIR): idxmaxisna

df.notna().idxmax() == df.idxmax()     
Out[107]: 
0    False
1     True
dtype: bool

使用纯numpy (我觉得这很快)

>>> np.isnan(df.values).argmin(axis=0) == df.fillna(-np.inf).values.argmax(axis=0)
array([False,  True])

我们的想法是比较第一个非argmax的指数是否也是argmax的指数。

计时

df = pd.concat([df]*1000).reset_index(drop=True) # setup

%timeit np.isnan(df.values).argmin(axis=0) == df.fillna(-np.inf).values.argmax(axis=0)
207 ?s ± 8.83 ?s per loop (mean ± std. dev. of 7 runs, 1000 loops each)

%timeit df.groupby([1]*len(df)).first()==df.max()
9.78 ms ± 339 ?s per loop (mean ± std. dev. of 7 runs, 100 loops each)

%timeit df.bfill().iloc[0]==df.max()
824 ?s ± 47.3 ?s per loop (mean ± std. dev. of 7 runs, 1000 loops each)

%timeit df.stack().reset_index(level=1).drop_duplicates('level_1').set_index('level_1')[0]==df.max()
3.55 ms ± 249 ?s per loop (mean ± std. dev. of 7 runs, 100 loops each)

%timeit df.idxmax()==df.apply(pd.Series.first_valid_index)
1.5 ms ± 25 ?s per loop (mean ± std. dev. of 7 runs, 1000 loops each)

%timeit df.values[df.notnull().idxmax(), np.arange(df.shape[1])] == df.max(axis=0)
1.13 ms ± 14.3 ?s per loop (mean ± std. dev. of 7 runs, 1000 loops each)

%timeit df.values[(~np.isnan(df.values)).argmax(axis=0), np.arange(df.shape[1])] == df.max(axis=0).values
450 ?s ± 20.8 ?s per loop (mean ± std. dev. of 7 runs, 1000 loops each)

我们可以在这里使用numpynanmax来获得有效的解决方案:

a = df.values
np.nanmax(a, 0) == a[np.isnan(a).argmin(0), np.arange(a.shape[1])]

array([False,  True])

计时 (这里提供了很多选项):


职能

def chris(df):
    a = df.values
    return np.nanmax(a, 0) == a[np.isnan(a).argmin(0), np.arange(a.shape[1])]

def bradsolomon(df):
    df.values[df.notnull().idxmax(), np.arange(df.shape[1])] == df.max(axis=0).values

def wen1(df):
    return df.groupby([1]*len(df)).first()==df.max()

def wen2(df):
    return df.bfill().iloc[0]==df.max()

def wen3(df):
    return df.idxmax()==df.apply(pd.Series.first_valid_index)

def rafaelc(df):
    return np.isnan(df.values).argmin(axis=0) == df.fillna(-np.inf).values.argmax(axis=0)

def pir(df):
    return df.notna().idxmax() == df.idxmax()

设定

res = pd.DataFrame(
       index=['chris', 'bradsolomon', 'wen1', 'wen2', 'wen3', 'rafaelc', 'pir'],
       columns=[10, 20, 30, 100, 500, 1000],
       dtype=float
)

for f in res.index:
    for c in res.columns:
        a = np.random.rand(c, c)
        a[a > 0.4] = np.nan
        df = pd.DataFrame(a)
        stmt = '{}(df)'.format(f)
        setp = 'from __main__ import df, {}'.format(f)
        res.at[f, c] = timeit(stmt, setp, number=50)

ax = res.div(res.min()).T.plot(loglog=True)
ax.set_xlabel("N");
ax.set_ylabel("time (relative)");

plt.show()

结果

您可以使用底层Numpy数组执行类似于Wens的回答:

>>> df.values[df.notnull().idxmax(), np.arange(df.shape[1])] == df.max(axis=0).values
array([False,  True])

df.max(axis=0)给出了列方式最大值。

左侧索引df.values ,这是一个2d数组,使其成为1d数组,并将其与每列的df.values进行元素比较。

如果从右侧排除.values ,结果将只是一个Pandas系列:

>>> df.values[df.notnull().idxmax(), np.arange(df.shape[1])] == df.max(axis=0)
0    False
1     True
dtype: bool

在发布问题之后我想出了这个:

def nice_method_name_here(sr):
    return sr[sr > 0][0] == np.max(sr)

print(df.apply(nice_method_name_here))

这似乎有效,但还不确定!

  相关解决方案