Pandas自定義shift與DataFrame求差集的小技巧
大家好，我是小小明。今天分享兩個(gè)小技巧：
Pandas的高級(jí)shift偏移
有很多玩量化的朋友經(jīng)常碰到類似這樣的問題：
其中有位量化大佬居然在半年后的今天又問了我一遍怎么實(shí)現(xiàn)這樣的效果，他居然忘了我之前給他寫過(guò)實(shí)現(xiàn)。為了避免有人再碰到類似的問題，特別寫下此文。
我們知道Pandas默認(rèn)的API是不支持這樣的操作的，這個(gè)只能自己想辦法實(shí)現(xiàn)。下面我借助數(shù)值索引實(shí)現(xiàn)這樣的功能，并封裝起來(lái)。
最終我們封裝的方法如下：
import numpy as np
import pandas as pd
def adv_shift(s, n, na_value=pd.NA):
t = np.arange(s.shape[0])-n
t[t < 0] = s.shape[0]
tmp = s.append(pd.Series(na_value))
return pd.Series(tmp.iloc[t].values, index=s.index)
然后生成測(cè)試數(shù)據(jù)完成這個(gè)需求：
df = pd.DataFrame({"a": [200, 300, 500, 800, 600], "b": [1, 1, 1, 2, 1]})
df['c'] = df.a-adv_shift(df.a, df.b, 0)
df
| a | b | c | |
|---|---|---|---|
| 0 | 200 | 1 | 200 |
| 1 | 300 | 1 | 100 |
| 2 | 500 | 1 | 200 |
| 3 | 800 | 2 | 500 |
| 4 | 600 | 1 | -200 |
可以看到結(jié)果完全滿足要求。
如果你希望直接給DataFrame對(duì)象增加高級(jí)偏移adv_shift方法，則可以這樣寫：
def adv_shift(self, field, n, na_value=pd.NA):
t = np.arange(self.shape[0])-self[n]
s = self[field]
t[t < 0] = s.shape[0]
tmp = s.append(pd.Series(na_value))
return pd.Series(tmp.iloc[t].values, index=s.index)
pd.DataFrame.adv_shift = adv_shift
調(diào)用方式：
df['c'] = df.a-df.adv_shift("a", "b", 0)
df
| a | b | c | |
|---|---|---|---|
| 0 | 200 | 1 | 200 |
| 1 | 300 | 1 | 100 |
| 2 | 500 | 1 | 200 |
| 3 | 800 | 2 | 500 |
| 4 | 600 | 1 | -200 |
最終結(jié)果與上述一致。
Datafream對(duì)象求差集
下面我們?cè)倏纯慈绾吻蠼釪atafream對(duì)象的交集、并集和差集：
import pandas as pd
df1 = pd.DataFrame([[1, 11], [2, 22], [3, 33]],
columns=['a', 'b'])
df2 = pd.DataFrame([[0, 0], [1, 11], [2, 22], [4, 44]], columns=['a', 'b'])
display(df1)
display(df2)
交集和并集一般的實(shí)現(xiàn)都是使用merge方法。
取交集：
df1.merge(df2)
去并集：
df1.merge(df2, how='outer')
關(guān)于取差集，我采用的是去重法。思路是，將df1與df2拼接，然后將重復(fù)的都去掉不保留，為了將df2全部去掉，將df2拼接兩次，這樣所有df2的數(shù)據(jù)都會(huì)產(chǎn)生重新而被刪除，df1存在于與df2一致的數(shù)據(jù)也會(huì)被刪除。
代碼為：
pd.concat([df1, df2, df2]).drop_duplicates(keep=False)
測(cè)試結(jié)果：
總結(jié)
到此這篇關(guān)于Pandas自定義shift與DataFrame求差集的文章就介紹到這了,更多相關(guān)Pandas shift與DataFrame求差集內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
使用Matplotlib繪制不同顏色的帶箭頭的線實(shí)例
這篇文章主要介紹了使用Matplotlib繪制不同顏色的帶箭頭的線實(shí)例，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2020-04-04
Pytorch神經(jīng)網(wǎng)絡(luò)參數(shù)管理方法詳細(xì)講解
這篇文章主要介紹了Pytorch神經(jīng)網(wǎng)絡(luò)參數(shù)管理方法，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)吧2023-05-05
Windows+Anaconda3+PyTorch+PyCharm的安裝教程圖文詳解
這篇文章主要介紹了Windows+Anaconda3+PyTorch+PyCharm的安裝教程，本文通過(guò)圖文并茂的形式給大家介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值，需要的朋友可以參考下2020-04-04
Python中用Decorator來(lái)簡(jiǎn)化元編程的教程
這篇文章主要介紹了Python中用Decorator來(lái)簡(jiǎn)化元編程的教程,來(lái)自于IBM官方開發(fā)者技術(shù)文檔,需要的朋友可以參考下2015-04-04
詳解Django項(xiàng)目中模板標(biāo)簽及模板的繼承與引用(網(wǎng)站中快速布置廣告)
這篇文章主要介紹了詳解Django項(xiàng)目中模板標(biāo)簽及模板的繼承與引用【網(wǎng)站中快速布置廣告】，小編覺得挺不錯(cuò)的，現(xiàn)在分享給大家，也給大家做個(gè)參考。一起跟隨小編過(guò)來(lái)看看吧2019-03-03
下面小編就為大家分享一篇Pandas標(biāo)記刪除重復(fù)記錄的方法，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2018-04-04
Pandas 是一個(gè)用于數(shù)據(jù)分析的 Python 第三方庫(kù)，能夠處理和分析不同格式的數(shù)據(jù)，Pandas 提供了兩種數(shù)據(jù)結(jié)構(gòu)，分別為 Series 和 DataFrame，靈活而方便地進(jìn)行數(shù)據(jù)分析和操作，本文通過(guò)實(shí)例代碼給大家介紹的非常詳細(xì)，需要的朋友參考下吧2023-06-06
這篇文章主要介紹了如何利用Python3中的19行代碼把照片寫入到Excel中，文章內(nèi)容實(shí)現(xiàn)的不是截取一張圖片，粘貼到excel，而是通過(guò)像素寫入到excel中,需要的朋友可以參考一下2022-02-02
這篇文章主要給大家介紹了關(guān)于python文件名批量重命名腳本的相關(guān)資料,文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2021-04-04
Python實(shí)現(xiàn)矩陣相乘的三種方法小結(jié)
今天小編就為大家分享一篇Python實(shí)現(xiàn)矩陣相乘的三種方法小結(jié)，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2018-07-07