根據優先級和特定行數拆分資料框

我想根據優先級列將資料框拆分為 3 個新資料框。我的資料框如下：

      City         Priority
0   New York         3       
1   Paris            1
2   Boston           7
3   La Habana        6
4   Bilbao           10
5   Roma             2
6   Barcelona        1
7   Bruselas         8
8   Tokyo            7
9   Caracas          11

有 3 種型別的優先級：

• 優先級 7 至 9
• 優先級 1 至 6
• 優先級從 10 到 11

我們的想法是將此資料幀分成 3 份，其結構如下，依次按其優先級的值排序：

• 3行優先級從7到9的資料框
• 具有 5 行優先級從 1 到 6 的資料框
• 具有 2 行優先級從 10 到 11 的資料框。

結果如下：

資料框 1：

      City         Priority
0   Boston           7       
1   Tokyo            7
2   Bruselas         8

資料框 2：

      City         Priority
0   Paris            1       
1   Barcelona        1
2   Roma             2
3   New York         3
4   La Habana        6

資料框 3：

      City         Priority
0   Bilbao           10       
1   Caracas          11

我認為重要的是要注意，如果沒有優先級 7 到 9 的行，則為該資料幀 3 選擇的優先級編號將為 10，如果不是 11，如果不是 1，如果不是 2，等等。與其余資料幀和優先級相同：第二個為 1、2、3、4 等，第三個為 10、11、1、2、3 等。

此外，如果有 4 個值，例如 7、7、7、8，則只有第 7、7、7 行會出現在 3 行資料框中，而值為 8 的行將出現在資料框 2 中。

同樣，我認為同樣重要的是，在該迭代中，當生成 3 行的第一個資料幀時，它們應該從原始資料幀中“提取”，以便在生成其他資料幀時不考慮它們。我希望我已經很好地解釋了自己，并且有人可以幫助我。最好的問候和感謝！

uj5u.com熱心網友回復：

IIUC 這應該按預期作業：

(1) 您創建一列bin_Priority，將每一行應用于正確的 bin，bin 的標簽是查找它們的優先級。

(2) sort_valueson bin_Priority，然后在每個 bin 上Priority。

(3)split你df成 3 df's，第 1 有 3 行，第 2 有 2 行，第 3 有 5 行。如果缺少優先級組的值，它會選擇正確的值，因為它們的排序正確。

請讓我知道這是否是您要搜索的內容。

df = pd.DataFrame({
    'City': ['New York','Paris','Boston','La Habana','Bilbao','Roma','Barcelona','Bruselas','Tokyo','Caracas'],
    'Priority': [3, 1, 7, 6, 10, 2, 1, 8, 7, 11]
})

#(1)
df['bin_Priority'] = pd.cut(df['Priority'], bins=[0,6,9,11], labels=[3, 1, 2]).to_numpy()

#(2)
ordered_priority_df = df.sort_values(by=['bin_Priority', 'Priority'])

#(3)
out = np.split(ordered_priority_df, [3,5])

print(df, ordered_priority_df, *out, sep='\n\n')

#df
        City  Priority  bin_Priority
0   New York         3             3
1      Paris         1             3
2     Boston         7             1
3  La Habana         6             3
4     Bilbao        10             2
5       Roma         2             3
6  Barcelona         1             3
7   Bruselas         8             1
8      Tokyo         7             1
9    Caracas        11             2

#ordered_priority_df
        City  Priority  bin_Priority
2     Boston         7             1
8      Tokyo         7             1
7   Bruselas         8             1
4     Bilbao        10             2
9    Caracas        11             2
1      Paris         1             3
6  Barcelona         1             3
5       Roma         2             3
0   New York         3             3
3  La Habana         6             3

# out[0]
       City  Priority  bin_Priority
2    Boston         7             1
8     Tokyo         7             1
7  Bruselas         8             1

# out[1]
      City  Priority  bin_Priority
4   Bilbao        10             2
9  Caracas        11             2

# out[2]
        City  Priority  bin_Priority
1      Paris         1             3
6  Barcelona         1             3
5       Roma         2             3
0   New York         3             3
3  La Habana         6             3

這是一個示例，我將 Paris 的值從 更改1為7。value 8（應該在 1stdf中）以 2nd 結尾，df并且與 value 相同11（從 2nd 到 3rd）。

df = pd.DataFrame({
    'City': ['New York','Paris','Boston','La Habana','Bilbao','Roma','Barcelona','Bruselas','Tokyo','Caracas'],
    'Priority': [3, 7, 7, 6, 10, 2, 1, 8, 7, 11]
})

df['bin_Priority'] = pd.cut(df['Priority'], bins=[0,6,9,11], labels=[3, 1, 2]).to_numpy()

ordered_priority_df = df.sort_values(by=['bin_Priority', 'Priority'])

out = np.split(ordered_priority_df, [3,5])

print(df, *out, sep='\n\n')

        City  Priority  bin_Priority
0   New York         3             3
1      Paris         7             1
2     Boston         7             1
3  La Habana         6             3
4     Bilbao        10             2
5       Roma         2             3
6  Barcelona         1             3
7   Bruselas         8             1
8      Tokyo         7             1
9    Caracas        11             2

     City  Priority  bin_Priority
1   Paris         7             1
2  Boston         7             1
8   Tokyo         7             1

       City  Priority  bin_Priority
7  Bruselas         8             1
4    Bilbao        10             2

        City  Priority  bin_Priority
9    Caracas        11             2
6  Barcelona         1             3
5       Roma         2             3
0   New York         3             3
3  La Habana         6             3

標籤：Python 熊猫 数据框 分裂

上一篇：Pandas：每年生成兩個日期

下一篇：JSON資料在php中使用foreach回圈并保存到資料庫