Pandas案例精进 | 结构化数据非等值范围查找 ②

Aidan075
• 阅读 1048

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
浅梦一笑 浅梦一笑
4个月前
初学 Python 需要安装哪些软件?超级实用,小白必看!
编程这个东西是真的奇妙。对于懂得的人来说,会觉得这个工具是多么的好用、有趣,而对于小白来说,就如同大山一样。其实这个都可以理解,大家都是这样过来的。那么接下来就说一下python相关的东西吧,并说一下我对编程的理解。本人也是小白一名,如有不对的地方,还请各位大神指出01名词解释:如果在编程方面接触的比较少,那么对于软件这一块,有几个名词一定要了解,比如开发环
blmius blmius
1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
Wesley13 Wesley13
1年前
Java爬虫之JSoup使用教程
title:Java爬虫之JSoup使用教程date:201812248:00:000800update:201812248:00:000800author:mecover:https://imgblog.csdnimg.cn/20181224144920712(https://www.oschin
Stella981 Stella981
1年前
KVM调整cpu和内存
一.修改kvm虚拟机的配置1、virsheditcentos7找到“memory”和“vcpu”标签,将<namecentos7</name<uuid2220a6d1a36a4fbb8523e078b3dfe795</uuid
Wesley13 Wesley13
1年前
4cast
4castpackageloadcsv.KumarAwanish发布:2020122117:43:04.501348作者:KumarAwanish作者邮箱:awanish00@gmail.com首页:
Stella981 Stella981
1年前
Python之time模块的时间戳、时间字符串格式化与转换
Python处理时间和时间戳的内置模块就有time,和datetime两个,本文先说time模块。关于时间戳的几个概念时间戳,根据1970年1月1日00:00:00开始按秒计算的偏移量。时间元组(struct_time),包含9个元素。 time.struct_time(tm_y
Wesley13 Wesley13
1年前
MySQL查询按照指定规则排序
1.按照指定(单个)字段排序selectfromtable_nameorderiddesc;2.按照指定(多个)字段排序selectfromtable_nameorderiddesc,statusdesc;3.按照指定字段和规则排序selec
Wesley13 Wesley13
1年前
Java日期时间API系列36
  十二时辰,古代劳动人民把一昼夜划分成十二个时段,每一个时段叫一个时辰。二十四小时和十二时辰对照表:时辰时间24时制子时深夜11:00凌晨01:0023:0001:00丑时上午01:00上午03:0001:0003:00寅时上午03:00上午0
Stella981 Stella981
1年前
Angular material mat
IconIconNamematiconcode_add\_comment_addcommenticon<maticonadd\_comment</maticon_attach\_file_attachfileicon<maticonattach\_file</maticon_attach\
Wesley13 Wesley13
1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_
helloworld_34035044 helloworld_34035044
6个月前
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