আমি ডেটা ফ্রেমের কলামটি মুছার সময় ব্যবহার করি:
del df['column_name']এবং এটি দুর্দান্ত কাজ করে। আমি নিম্নলিখিতগুলি কেন ব্যবহার করতে পারি না?
del df.column_nameযেহেতু কলাম / সিরিজ হিসাবে এটি অ্যাক্সেস করা সম্ভব df.column_name, আমি এটি কাজ করবে বলে আশা করি।
উত্তর:
আপনি যেমন অনুমান করেছেন ঠিক তেমন সিনট্যাক্স
del df['column_name']এটা তোলে করতে কঠিন del df.column_nameকেবল পাইথন মধ্যে অন্বিত সীমাবদ্ধতার ফলে হবে। পাইথনের কভারগুলির আওতায় del df[name]অনুবাদ হয় df.__delitem__(name)।
class A(object): def __init__(self): self.var = 1একটি ক্লাস সেট আপ করে, তারপর a = A(); del a.varঠিক কাজ করে ...
del df[name]এটি অনুবাদ করা হয় df.__delitem__(name)যা এমন একটি পদ্ধতি যা ডেটাফ্রেম তার প্রয়োজনগুলিকে বাস্তবায়ন করতে এবং সংশোধন করতে পারে। ক্ষেত্রে del df.name, সদস্য পরিবর্তনশীল কোনো কাস্টম কোড চলমান জন্য একটি সুযোগ ছাড়া সরানো হবে। আপনার নিজের উদাহরণ বিবেচনা করুন - আপনি del a.var"মুছে ফেলা ভেরিয়েবল" মুদ্রণের ফলাফল পেতে পারেন ? আপনি যদি পারেন, কিভাবে আমাকে বলুন। আমি পারব না :)
pandasবিকাশকারীরা করেন নি , তবে এর অর্থ এটি করা শক্ত নয়।
পান্ডায় এটি করার সর্বোত্তম উপায়টি হ'ল ব্যবহার করা drop :
df = df.drop('column_name', 1)কোথায় 1 হয় অক্ষ নম্বর ( 0সারি এবং 1কলামের জন্য।)
পুনরায় স্বাক্ষর dfনা করেই কলামটি মুছতে আপনি করতে পারেন:
df.drop('column_name', axis=1, inplace=True)পরিশেষে, কলামের পরিবর্তে কলাম নম্বর দ্বারা বাদ দেওয়া লেবেলের থেকে নামার জন্য, মুছে ফেলার জন্য এটি চেষ্টা করুন, যেমন প্রথম, দ্বিতীয় এবং চতুর্থ কলামগুলি:
df = df.drop(df.columns[[0, 1, 3]], axis=1) # df.columns is zero-based pd.Index কলামগুলির জন্য "পাঠ্য" সিনট্যাক্সের সাথেও কাজ করছে:
df.drop(['column_nameA', 'column_nameB'], axis=1, inplace=True)delকোনও কারণে সুপারিশ করা হয় ?
dropধরে delযে dropআপনি কার্য সম্পাদন, একযোগে একাধিক কলাম ড্রপ অপারেশন inplace বা না, এবং (বিশেষত বা 3-ডি ম্যাট্রিক্স জন্য দরকারী কোন অক্ষ বরাবর মুছে রেকর্ড পারবেন Panel)
ব্যবহার করুন:
columns = ['Col1', 'Col2', ...]
df.drop(columns, inplace=True, axis=1)এটি জায়গায় এক বা একাধিক কলাম মুছে ফেলবে। নোট যা inplace=Trueপান্ডাস v0.13 এ যুক্ত হয়েছিল এবং পুরানো সংস্করণগুলিতে কাজ করবে না। সেক্ষেত্রে আপনাকে ফলাফলটি পুনরায় নির্ধারণ করতে হবে:
df = df.drop(columns, axis=1)df.drop(list,inplace=True,axis=1)
del- একবারে একাধিক কলাম ড্রপ করতে পারে।
প্রথম, দ্বিতীয় এবং চতুর্থ কলাম মুছুন:
df.drop(df.columns[[0,1,3]], axis=1, inplace=True)প্রথম কলামটি মুছুন:
df.drop(df.columns[[0]], axis=1, inplace=True)Anচ্ছিক প্যারামিটার রয়েছে inplace যাতে অনুলিপি তৈরি না করে মূল ডেটাটি পরিবর্তন করা যায়।
কলাম মুছুন column-name:
df.pop('column-name')df = DataFrame.from_items([('A', [1, 2, 3]), ('B', [4, 5, 6]), ('C', [7,8, 9])], orient='index', columns=['one', 'two', 'three'])print df:
one two three
A 1 2 3
B 4 5 6
C 7 8 9df.drop(df.columns[[0]], axis=1, inplace=True)
print df:
two three
A 2 3
B 5 6
C 8 9three = df.pop('three')
print df:
two
A 2
B 5
C 8df.T.pop('A')
df। আপনি করতে পারেন df = df.T; df.pop(index); df = df.Tতবে এটি অত্যধিক বলে মনে হচ্ছে।
df.drop(df.columns[[0]], axis=1, inplace=True)এটি ব্যবহারের যথেষ্ট হবে না df.drop([0], axis=1)?
0তবে df.drop(0, axis=1)ভাল কাজ করছেন। তবে যদি কলামের নাম না জানা থাকে এবং প্রথম কলামটি সরিয়ে ফেলতে হয় তবে df.drop(df.columns[[0]], axis=1, inplace=True)এটি প্রয়োজন হয় , এটি অবস্থান অনুসারে প্রথম কলামটি নির্বাচন করে এটি ফেলে দেয়।
প্রকৃত প্রশ্ন উত্থাপিত, এখানে বেশিরভাগ উত্তর দ্বারা মিস করা হয়:
del df.column_name?প্রথমে আমাদের সমস্যাটি বুঝতে হবে, যার জন্য আমাদের পাইথন ম্যাজিক পদ্ধতিতে ডুব দেওয়া দরকার ।
ওয়েস তার উত্তর del df['column']মানচিত্রে অজগর যাদু পদ্ধতিতে নির্দেশ করেছেন df.__delitem__('column') যা কলামটি ফেলে দেওয়ার জন্য পান্ডাসে প্রয়োগ করা হয়েছে
তবে পাইথন ম্যাজিক পদ্ধতি সম্পর্কে উপরের লিঙ্কে উল্লেখ করা হয়েছে :
প্রকৃতপক্ষে,
__del__অনিশ্চিত পরিস্থিতিতে যেহেতু এটি বলা হয় , প্রায়শই ব্যবহার করা উচিত নয়; সাবধানতার সাথে এটি ব্যবহার করুন!
আপনি তর্ক করতে পারেন যে del df['column_name']ব্যবহার বা উত্সাহিত করা del df.column_nameউচিত নয় এবং এর মাধ্যমে এমনকি বিবেচনা করা উচিত নয়।
তবে তাত্ত্বিকভাবে, ম্যাজিক পদ্ধতিটিdel df.column_name ব্যবহার করে__delattr__ পান্ডায় কাজ করার জন্য প্রয়োগ করা যেতে পারে । এটি তবে কিছু সমস্যা, সমস্যাগুলির পরিচয় দেয়del df['column_name'] ইতিমধ্যে বাস্তবায়নের কম ডিগ্রীতে।
যদি আমি ডেটাফ্রেমে একটি কলামকে "ডাইটিপস" বা "কলামগুলি" সংজ্ঞায়িত করি তবে কী হবে।
তারপরে ধরে নিন আমি এই কলামগুলি মুছতে চাই।
del df.dtypes__delattr__পদ্ধতিটিকে এমনভাবে বিভ্রান্ত করে তুলবে যেন এটি "dtyype" বৈশিষ্ট্য বা "dtyype" কলামটি মুছে ফেলতে পারে।
.ix, .locবা .ilocপদ্ধতিগুলি ব্যবহার করতে পারেন ।আপনি ব্যবহার করতে পারবেন না del df.column_nameকারণ পান্ডাস বেশ দুর্দান্তভাবে জন্মায় স্থাপত্য যে চাহিদা এই ধরনের অনুক্রমে reconsidered করা হয়েছে জ্ঞানীয় অনৈক্য তার ব্যবহারকারীদের ঘটতে না।
Df.column_name ব্যবহার করবেন না, এটি সুন্দর হতে পারে তবে এটি জ্ঞানীয় অনিয়মের কারণ হয়ে দাঁড়ায়
কলামটি মোছার একাধিক উপায় রয়েছে।
এটির জন্য একটি - এবং অগ্রাধিকার কেবল একটিই - প্রকাশ্য উপায় থাকতে হবে।
কলামগুলি কখনও কখনও বৈশিষ্ট্যগুলি হয় তবে কখনও কখনও হয় না।
বিশেষ কেসগুলি নিয়ম ভাঙার পক্ষে যথেষ্ট বিশেষ নয়।
না del df.dtypesdtypes অ্যাট্রিবিউট বা dtypes কলাম মুছে ফেলতে চান?
অস্পষ্টতার মুখে অনুমান করার প্রলোভনটিকে অস্বীকার করুন।
__del__কখনই যে অনিশ্চিত পরিস্থিতিতে বলা হয় তাকে ব্যবহার করা উচিত নয়; সাবধানতার সাথে ব্যবহার করুন!" এখানে পুরোপুরি অপ্রাসঙ্গিক, যেমনটি এখানে ব্যবহার করা হচ্ছে পদ্ধতি __delattr__।
delবিল্টিন যার অর্থ, .__del__উদাহরণ পদ্ধতি নয়। delBuiltin করার ম্যাপিং হয় __delattr__এবং __delitem__যা আমি আমার যুক্তি বিল্ডিং করছি। সুতরাং আমি আপনাকে যা লিখতে চাই তা আপনি আবার পড়তে চান।
__... __স্ট্যাকএক্সচেঞ্জ দ্বারা সাহসী মার্কআপ হিসাবে ব্যাখ্যা করা হয়েছে
একটি দুর্দান্ত সংযোজন হ'ল কলামগুলি উপস্থিত থাকলে কেবল তা ড্রপ করার ক্ষমতা । এইভাবে আপনি আরও ব্যবহারের কেসগুলি কভার করতে পারেন এবং এটি কেবলমাত্র লেবেলগুলিকে দেওয়া লেবেলগুলি থেকে ফেলে দেবে:
কেবল ত্রুটিগুলি যুক্ত করুন = 'উপেক্ষা করুন' , উদাহরণস্বরূপ:
df.drop(['col_name_1', 'col_name_2', ..., 'col_name_N'], inplace=True, axis=1, errors='ignore')সংস্করণ 0.16.1 থেকে আপনি করতে পারেন
df.drop(['column_name'], axis = 1, inplace = True, errors = 'ignore')errors= 'ignore') df.drop(['column_1','column_2'], axis=1 , inplace=True,errors= 'ignore'), যদি এই জাতীয় অ্যাপ্লিকেশন পছন্দ হয়!
সর্বদা []স্বরলিপিটি ব্যবহার করা ভাল অনুশীলন । একটি কারণ হ'ল গুণযুক্ত সূচকগুলি ( df.column_name) গুণিত সূচকগুলির জন্য কাজ করে না:
In [1]: df = DataFrame([[1, 2, 3], [4, 5, 6]])
In [2]: df[1]
Out[2]:
0 2
1 5
Name: 1
In [3]: df.1
File "<ipython-input-3-e4803c0d1066>", line 1
df.1
^
SyntaxError: invalid syntaxপান্ডাস সংস্করণ 0.21 এবং পদ্ধতিগুলির স্বাক্ষরের সাথে মেলে dropউভয় indexএবং columnsপরামিতিগুলি অন্তর্ভুক্ত করার জন্য পদ্ধতিটি সামান্য পরিবর্তিত করেছে ।renamereindex
df.drop(columns=['column_a', 'column_c'])ব্যক্তিগতভাবে, আমি axisকলামগুলি বা সূচি বোঝাতে প্যারামিটারটি ব্যবহার করতে পছন্দ করি কারণ এটি প্রায় সমস্ত প্যান্ডাস পদ্ধতিতে ব্যবহৃত মূল শব্দ প্যারামিটার। তবে, এখন আপনার 0.21 সংস্করণে কিছু যুক্ত পছন্দ রয়েছে।
পান্ডাস 0.16.1++ এ আপনি কেবল কলামগুলি ড্রপ করতে পারেন কেবলমাত্র @eiTanLaVi দ্বারা পোস্ট করা সমাধান অনুসারে সেগুলি উপস্থিত রয়েছে। সংস্করণটির আগে, আপনি শর্তসাপেক্ষে তালিকা বোধের মাধ্যমে একই ফলাফল অর্জন করতে পারেন:
df.drop([col for col in ['col_name_1','col_name_2',...,'col_name_N'] if col in df],
axis=1, inplace=True)একটি প্রান্তিক আরও দক্ষ সমাধান খুঁজতে অনেক প্রচেষ্টা effort এর সরলতার ত্যাগ করার সময় যুক্ত হওয়া জটিলতার ন্যায্যতা প্রমাণ করা কঠিন Difdf.drop(dlst, 1, errors='ignore')
df.reindex_axis(np.setdiff1d(df.columns.values, dlst), 1)প্রস্তাবনা
একটি কলাম মুছে ফেলা অন্য কলামগুলি নির্বাচন করার মতো শব্দার্থগতভাবে একই। আমি বিবেচনা করার জন্য কয়েকটি অতিরিক্ত পদ্ধতি দেখাব।
আমি একসাথে একাধিক কলাম মুছে ফেলার সাধারণ সমাধানগুলিতেও মনোনিবেশ করব এবং কলামগুলি উপস্থিত না করার জন্য চেষ্টা করার অনুমতি দেই allowing
এই সমাধানগুলি ব্যবহার করা সাধারণ এবং এটি সাধারণ ক্ষেত্রেও কাজ করবে।
সেটআপটি মুছে ফেলার জন্য এবং তালিকাটি
বিবেচনা করুনpd.DataFrame dfdlst
df = pd.DataFrame(dict(zip('ABCDEFGHIJ', range(1, 11))), range(3))
dlst = list('HIJKLM')df
A B C D E F G H I J
0 1 2 3 4 5 6 7 8 9 10
1 1 2 3 4 5 6 7 8 9 10
2 1 2 3 4 5 6 7 8 9 10dlst
['H', 'I', 'J', 'K', 'L', 'M']ফলাফলটি দেখতে এমন হওয়া উচিত:
df.drop(dlst, 1, errors='ignore')
A B C D E F G
0 1 2 3 4 5 6 7
1 1 2 3 4 5 6 7
2 1 2 3 4 5 6 7যেহেতু আমি কলামটি মুছার সাথে অন্য কলামগুলি নির্বাচন করার সমীকরণ করছি, তাই আমি এটিকে দুটি প্রকারে বিভক্ত করব:
আমরা যে লেবেলগুলি রাখতে চাই এবং যেগুলি কলামগুলি মুছতে চাই না সেগুলি উপস্থাপন করে এমন লেবেলগুলির তালিকা / অ্যারে উত্পাদন করে শুরু করি।
df.columns.difference(dlst)
Index(['A', 'B', 'C', 'D', 'E', 'F', 'G'], dtype='object')np.setdiff1d(df.columns.values, dlst)
array(['A', 'B', 'C', 'D', 'E', 'F', 'G'], dtype=object)df.columns.drop(dlst, errors='ignore')
Index(['A', 'B', 'C', 'D', 'E', 'F', 'G'], dtype='object')list(set(df.columns.values.tolist()).difference(dlst))
# does not preserve order
['E', 'D', 'B', 'F', 'G', 'A', 'C'][x for x in df.columns.values.tolist() if x not in dlst]
['A', 'B', 'C', 'D', 'E', 'F', 'G']
নির্বাচন প্রক্রিয়াটির তুলনা করার জন্য লেবেলগুলি থেকে কলামগুলি ধরে নিন:
cols = [x for x in df.columns.values.tolist() if x not in dlst]তারপরে আমরা মূল্যায়ন করতে পারি
df.loc[:, cols]df[cols]df.reindex(columns=cols)df.reindex_axis(cols, 1)যা সকল মূল্যায়ন করে:
A B C D E F G
0 1 2 3 4 5 6 7
1 1 2 3 4 5 6 7
2 1 2 3 4 5 6 7টুকরো টুকরো করার জন্য আমরা বুলিয়ানগুলির একটি অ্যারে / তালিকা তৈরি করতে পারি
~df.columns.isin(dlst)~np.in1d(df.columns.values, dlst)[x not in dlst for x in df.columns.values.tolist()](df.columns.values[:, None] != dlst).all(1)
তুলনা করার জন্য বুলিয়ান থেকে কলামগুলি
bools = [x not in dlst for x in df.columns.values.tolist()]df.loc[: bools]যা সকল মূল্যায়ন করে:
A B C D E F G
0 1 2 3 4 5 6 7
1 1 2 3 4 5 6 7
2 1 2 3 4 5 6 7দৃust় সময়
ক্রিয়াকলাপ
setdiff1d = lambda df, dlst: np.setdiff1d(df.columns.values, dlst)
difference = lambda df, dlst: df.columns.difference(dlst)
columndrop = lambda df, dlst: df.columns.drop(dlst, errors='ignore')
setdifflst = lambda df, dlst: list(set(df.columns.values.tolist()).difference(dlst))
comprehension = lambda df, dlst: [x for x in df.columns.values.tolist() if x not in dlst]
loc = lambda df, cols: df.loc[:, cols]
slc = lambda df, cols: df[cols]
ridx = lambda df, cols: df.reindex(columns=cols)
ridxa = lambda df, cols: df.reindex_axis(cols, 1)
isin = lambda df, dlst: ~df.columns.isin(dlst)
in1d = lambda df, dlst: ~np.in1d(df.columns.values, dlst)
comp = lambda df, dlst: [x not in dlst for x in df.columns.values.tolist()]
brod = lambda df, dlst: (df.columns.values[:, None] != dlst).all(1)পরীক্ষামূলক
res1 = pd.DataFrame(
index=pd.MultiIndex.from_product([
'loc slc ridx ridxa'.split(),
'setdiff1d difference columndrop setdifflst comprehension'.split(),
], names=['Select', 'Label']),
columns=[10, 30, 100, 300, 1000],
dtype=float
)
res2 = pd.DataFrame(
index=pd.MultiIndex.from_product([
'loc'.split(),
'isin in1d comp brod'.split(),
], names=['Select', 'Label']),
columns=[10, 30, 100, 300, 1000],
dtype=float
)
res = res1.append(res2).sort_index()
dres = pd.Series(index=res.columns, name='drop')
for j in res.columns:
dlst = list(range(j))
cols = list(range(j // 2, j + j // 2))
d = pd.DataFrame(1, range(10), cols)
dres.at[j] = timeit('d.drop(dlst, 1, errors="ignore")', 'from __main__ import d, dlst', number=100)
for s, l in res.index:
stmt = '{}(d, {}(d, dlst))'.format(s, l)
setp = 'from __main__ import d, dlst, {}, {}'.format(s, l)
res.at[(s, l), j] = timeit(stmt, setp, number=100)
rs = res / dresrs
10 30 100 300 1000
Select Label
loc brod 0.747373 0.861979 0.891144 1.284235 3.872157
columndrop 1.193983 1.292843 1.396841 1.484429 1.335733
comp 0.802036 0.732326 1.149397 3.473283 25.565922
comprehension 1.463503 1.568395 1.866441 4.421639 26.552276
difference 1.413010 1.460863 1.587594 1.568571 1.569735
in1d 0.818502 0.844374 0.994093 1.042360 1.076255
isin 1.008874 0.879706 1.021712 1.001119 0.964327
setdiff1d 1.352828 1.274061 1.483380 1.459986 1.466575
setdifflst 1.233332 1.444521 1.714199 1.797241 1.876425
ridx columndrop 0.903013 0.832814 0.949234 0.976366 0.982888
comprehension 0.777445 0.827151 1.108028 3.473164 25.528879
difference 1.086859 1.081396 1.293132 1.173044 1.237613
setdiff1d 0.946009 0.873169 0.900185 0.908194 1.036124
setdifflst 0.732964 0.823218 0.819748 0.990315 1.050910
ridxa columndrop 0.835254 0.774701 0.907105 0.908006 0.932754
comprehension 0.697749 0.762556 1.215225 3.510226 25.041832
difference 1.055099 1.010208 1.122005 1.119575 1.383065
setdiff1d 0.760716 0.725386 0.849949 0.879425 0.946460
setdifflst 0.710008 0.668108 0.778060 0.871766 0.939537
slc columndrop 1.268191 1.521264 2.646687 1.919423 1.981091
comprehension 0.856893 0.870365 1.290730 3.564219 26.208937
difference 1.470095 1.747211 2.886581 2.254690 2.050536
setdiff1d 1.098427 1.133476 1.466029 2.045965 3.123452
setdifflst 0.833700 0.846652 1.013061 1.110352 1.287831fig, axes = plt.subplots(2, 2, figsize=(8, 6), sharey=True)
for i, (n, g) in enumerate([(n, g.xs(n)) for n, g in rs.groupby('Select')]):
ax = axes[i // 2, i % 2]
g.plot.bar(ax=ax, title=n)
ax.legend_.remove()
fig.tight_layout()এটি চালাতে যে সময় লাগে তার সাথে তুলনামূলক df.drop(dlst, 1, errors='ignore')। দেখে মনে হচ্ছে এই সমস্ত প্রচেষ্টা পরেও আমরা কেবল পরিমিতভাবে পারফরম্যান্সে উন্নতি করি।
যদি বাস্তবে সেরা সমাধানগুলি হ্যাক reindexবা ব্যবহার reindex_axisকরে list(set(df.columns.values.tolist()).difference(dlst))। ঘনিষ্ঠ দ্বিতীয় ও এখনও খুব সীমিতভাবে ভাল চেয়ে dropহয় np.setdiff1d।
rs.idxmin().pipe(
lambda x: pd.DataFrame(
dict(idx=x.values, val=rs.lookup(x.values, x.index)),
x.index
)
)
idx val
10 (ridx, setdifflst) 0.653431
30 (ridxa, setdifflst) 0.746143
100 (ridxa, setdifflst) 0.816207
300 (ridx, setdifflst) 0.780157
1000 (ridxa, setdifflst) 0.861622আমরা পারি সরান বা মুছুন একটি নির্দিষ্ট কলাম বা sprcified কলাম ড্রপ () পদ্ধতি।
ধরুন ডিএফ একটি ডেটাফ্রেম।
কলামটি সরানো হবে = কলাম 0 0
কোড:
df = df.drop(column0, axis=1)একাধিক কলাম কলাম 1, কল 2,। । । , কোলন, আমাদের সমস্ত কলামগুলি তালিকায় সরিয়ে ফেলতে হবে inোকাতে হবে। তারপরে ড্রপ () পদ্ধতিতে এগুলি সরান।
কোড:
df = df.drop([col1, col2, . . . , coln], axis=1)আমি আশা করি এটি সহায়ক হবে।
df = df.drop([col1, col2, . . . , coln], axis=1)আমি কল 1, কোল 2 ইত্যাদির স্থানে একটি চলক নাম নির্দিষ্ট করে দিলে এটি কাজ করে না আমি যখন ত্রুটিযুক্ত কলামটি অক্ষরে নেই তবে এটি উপস্থিত থাকলে definitely @ লিটিন আপনি সাহায্য করতে পারেন?
পান্ডাস ডেটাফ্রেমে একটি কলাম মুছার আর একটি উপায়
যদি আপনি ইন-প্লেস মুছে ফেলার সন্ধান করেন না তবে কলামগুলি DataFrame(...)ফাংশন হিসাবে নির্দিষ্ট করে নির্দিষ্ট করে আপনি একটি নতুন ডেটাফ্রেম তৈরি করতে পারেন
my_dict = { 'name' : ['a','b','c','d'], 'age' : [10,20,25,22], 'designation' : ['CEO', 'VP', 'MD', 'CEO']}
df = pd.DataFrame(my_dict)হিসাবে একটি নতুন ডাটাফ্রেম তৈরি করুন
newdf = pd.DataFrame(df, columns=['name', 'age'])আপনি ডেল / ড্রপ দিয়ে যা পান তার ফলস্বরূপ আপনি ভাল ফলাফল পান