Pandas案例精进 | 结构化数据非等值范围查找 ②

Aidan075
• 阅读 1342

Pandas案例精进 | 结构化数据非等值范围查找 ②

大家好,我是小五🐶

欢迎来到「Pandas案例精进」专栏,点击蓝字查看全部

前文回顾:Pandas案例精进 | 结构化数据非等值范围查找 ①

本文是承接上一篇的实战案例,没看过的小伙伴建议先点击👆上方链接查看前文

Pandas案例需求

需求如下:

Pandas案例精进 | 结构化数据非等值范围查找 ②

该问题最核心的解题思路是按照地区代码先将两张表关联起来,然后按照重量是否在指定的区间筛选出符合条件的记录。不同的解法实际区别也是,如何进行表关联,如何进行关联后的过滤。

上文的简化写法

简化后:

import pandas as pd  

product = pd.read_excel('sample.xlsx', sheet_name='A')  
cost = pd.read_excel('sample.xlsx', sheet_name='B')  

fi_cost = cost.set_index(['地区代码','地区缩写']).stack().reset_index()  
result = pd.merge(product, fi_cost, on='地区代码', how='left')  
result.columns = ['产品ID', '地区代码', '重量', '地区缩写', '重量区间', '价格']  
result[['最低区间', '最高区间']] = result['重量区间'].str.split('~', expand=True).astype(float)  
result.query("最低区间<=`重量`<=最高区间")  

Pandas案例精进 | 结构化数据非等值范围查找 ②

顺序查找匹配

考虑到直接merge会产生笛卡尔积,多消耗N倍的内存,所以下面采用筛选连接法,执行耗时比merge连接稍微长点,但减少了内存消耗。

首先读取数据:

import pandas as pd  
from IPython.core.interactiveshell import InteractiveShell  
InteractiveShell.ast_node_interactivity = 'all'  

product = pd.read_excel('sample.xlsx', sheet_name='A')  
cost = pd.read_excel('sample.xlsx', sheet_name='B')  

预览数据:

product.head()  
cost.head()  

Pandas案例精进 | 结构化数据非等值范围查找 ②

下面我们将价格表由"宽格式"旋转为"长格式"方便匹配:

fi_cost = cost.melt(id_vars=["地区代码", "地区缩写"], var_name="重量区间", value_name='价格')  
fi_cost  

Pandas案例精进 | 结构化数据非等值范围查找 ②

观察价格区间00.5, 0.5011, 1.012, 2.013, 3.014, 4.015, 5.017, 7.0110, 10.0115, 15.01100000我们完全可以只取前面的数字或只取后面的数字,理解为一个前闭后开或前开后闭的区间,我取重量区间的最大值来表示区间:

fi_cost.重量区间 = fi_cost.重量区间.str.split("~").str[1].astype("float")  
fi_cost.sort_values(["地区代码", "重量区间"], inplace=True, ignore_index=True)  
fi_cost.head(10)  

Pandas案例精进 | 结构化数据非等值范围查找 ②

测试对第一个产品,取出对应的地区价格表:

fi_cost_g = fi_cost.groupby("地区代码")  
for product_id, area_id, weight in product.values:  
    print(product_id, area_id, weight)  
    cost_table = fi_cost_g.get_group(area_id)  
    display(cost_table)  
    break  

Pandas案例精进 | 结构化数据非等值范围查找 ②

下面我们继续测试根据重量筛选出对应的价格:

fi_cost_g = fi_cost.groupby("地区代码")[["地区缩写", "重量区间", "价格"]]  
for product_id, area_id, weight in product.values:  
    print(product_id, area_id, weight)  
    cost_table = fi_cost_g.get_group(area_id)  
    display(cost_table)  
    for area, weight_cost, price in cost_table.values:  
        if weight <= weight_cost:  
            print(area, price)  
            break  
    break  

Pandas案例精进 | 结构化数据非等值范围查找 ②

可以看到已经顺利的匹配出对应的价格是20.05。

于是完善最终代码为:

result = []  
fi_cost_g = fi_cost.groupby("地区代码")[["地区缩写", "重量区间", "价格"]]  
for product_id, area_id, weight in product.values:  
    cost_table = fi_cost_g.get_group(area_id)  
    for area, weight_cost, price in cost_table.values:  
        if weight <= weight_cost:  
            break  
    result.append((product_id, area_id, area, weight, price))  
result = pd.DataFrame(result, columns=["产品ID", "地区代码", "地区缩写", "重量(kg)", "价格"])  
result  

Pandas案例精进 | 结构化数据非等值范围查找 ②

成功匹配出每个产品对应的地区简写和价格。

顺序查找匹配的完整代码为:

import pandas as pd  

product = pd.read_excel('sample.xlsx', sheet_name='A')  
cost = pd.read_excel('sample.xlsx', sheet_name='B')  

fi_cost = cost.melt(id_vars=["地区代码", "地区缩写"], var_name="重量区间", value_name='价格')  
fi_cost.重量区间 = fi_cost.重量区间.str.split("~").str[1].astype("float")  
fi_cost.sort_values(["地区代码", "重量区间"], inplace=True, ignore_index=True)  
result = []  
fi_cost_g = fi_cost.groupby("地区代码")[["地区缩写", "重量区间", "价格"]]  
for product_id, area_id, weight in product.values:  
    cost_table = fi_cost_g.get_group(area_id)  
    for area, weight_cost, price in cost_table.values:  
        if weight <= weight_cost:  
            break  
    result.append((product_id, area_id, area, weight, price))  
result = pd.DataFrame(result, columns=["产品ID", "地区代码", "地区缩写", "重量(kg)", "价格"])  
result  

小结

上述方法就已经解决了问题,考虑到上述区间查找其实是一个顺序查找的问题,所以我们还可以使用二分查找进一步优化减少查找次数!

原始需求和数据见👉Pandas案例精进 | 结构化数据非等值范围查找 ①

本文转转自微信公众号凹凸数据原创https://mp.weixin.qq.com/s/ZBJX60BW8fYVYTijpUUjdA,可扫描二维码进行关注: Pandas案例精进 | 结构化数据非等值范围查找 ② 如有侵权,请联系删除。

点赞
收藏
评论区
推荐文章
blmius blmius
3年前
MySQL:[Err] 1292 - Incorrect datetime value: ‘0000-00-00 00:00:00‘ for column ‘CREATE_TIME‘ at row 1
文章目录问题用navicat导入数据时,报错:原因这是因为当前的MySQL不支持datetime为0的情况。解决修改sql\mode:sql\mode:SQLMode定义了MySQL应支持的SQL语法、数据校验等,这样可以更容易地在不同的环境中使用MySQL。全局s
皕杰报表之UUID
​在我们用皕杰报表工具设计填报报表时,如何在新增行里自动增加id呢?能新增整数排序id吗?目前可以在新增行里自动增加id,但只能用uuid函数增加UUID编码,不能新增整数排序id。uuid函数说明:获取一个UUID,可以在填报表中用来创建数据ID语法:uuid()或uuid(sep)参数说明:sep布尔值,生成的uuid中是否包含分隔符'',缺省为
Jacquelyn38 Jacquelyn38
3年前
2020年前端实用代码段,为你的工作保驾护航
有空的时候,自己总结了几个代码段,在开发中也经常使用,谢谢。1、使用解构获取json数据let jsonData  id: 1,status: "OK",data: 'a', 'b';let  id, status, data: number   jsonData;console.log(id, status, number )
Stella981 Stella981
3年前
Python3:sqlalchemy对mysql数据库操作,非sql语句
Python3:sqlalchemy对mysql数据库操作,非sql语句python3authorlizmdatetime2018020110:00:00coding:utf8'''
Wesley13 Wesley13
3年前
4cast
4castpackageloadcsv.KumarAwanish发布:2020122117:43:04.501348作者:KumarAwanish作者邮箱:awanish00@gmail.com首页:
Wesley13 Wesley13
3年前
mysql设置时区
mysql设置时区mysql\_query("SETtime\_zone'8:00'")ordie('时区设置失败,请联系管理员!');中国在东8区所以加8方法二:selectcount(user\_id)asdevice,CONVERT\_TZ(FROM\_UNIXTIME(reg\_time),'08:00','0
Wesley13 Wesley13
3年前
00:Java简单了解
浅谈Java之概述Java是SUN(StanfordUniversityNetwork),斯坦福大学网络公司)1995年推出的一门高级编程语言。Java是一种面向Internet的编程语言。随着Java技术在web方面的不断成熟,已经成为Web应用程序的首选开发语言。Java是简单易学,完全面向对象,安全可靠,与平台无关的编程语言。
Stella981 Stella981
3年前
Django中Admin中的一些参数配置
设置在列表中显示的字段,id为django模型默认的主键list_display('id','name','sex','profession','email','qq','phone','status','create_time')设置在列表可编辑字段list_editable
Wesley13 Wesley13
3年前
MySQL部分从库上面因为大量的临时表tmp_table造成慢查询
背景描述Time:20190124T00:08:14.70572408:00User@Host:@Id:Schema:sentrymetaLast_errno:0Killed:0Query_time:0.315758Lock_
Python进阶者 Python进阶者
9个月前
Excel中这日期老是出来00:00:00,怎么用Pandas把这个去除
大家好,我是皮皮。一、前言前几天在Python白银交流群【上海新年人】问了一个Pandas数据筛选的问题。问题如下:这日期老是出来00:00:00,怎么把这个去除。二、实现过程后来【论草莓如何成为冻干莓】给了一个思路和代码如下:pd.toexcel之前把这