Pandas DataFrames с сравнением равенства NaNs

В контексте модульного тестирования некоторых функций я пытаюсь установить равенство 2 DataFrames, используя python pandas:

ipdb> expect
                            1   2
2012-01-01 00:00:00+00:00 NaN   3
2013-05-14 12:00:00+00:00   3 NaN

ipdb> df
identifier                  1   2
timestamp
2012-01-01 00:00:00+00:00 NaN   3
2013-05-14 12:00:00+00:00   3 NaN

ipdb> df[1][0]
nan

ipdb> df[1][0], expect[1][0]
(nan, nan)

ipdb> df[1][0] == expect[1][0]
False

ipdb> df[1][1] == expect[1][1]
True

ipdb> type(df[1][0])
<type 'numpy.float64'>

ipdb> type(expect[1][0])
<type 'numpy.float64'>

ipdb> (list(df[1]), list(expect[1]))
([nan, 3.0], [nan, 3.0])

ipdb> df1, df2 = (list(df[1]), list(expect[1])) ;; df1 == df2
False

Учитывая, что я пытаюсь проверить весь expect на весь df, включая позиции NaN, что я делаю неправильно?

Каков самый простой способ сравнить равенство рядов /DataFrames, включая NaN s?

Ответ 1

Вы можете использовать assert_frame_equals с check_names = False (чтобы не проверять имена индексов/столбцов), которые будут увеличиваться, если они не равны:

In [11]: from pandas.testing import assert_frame_equal

In [12]: assert_frame_equal(df, expected, check_names=False)

Вы можете обернуть это в функцию чем-то вроде:

try:
    assert_frame_equal(df, expected, check_names=False)
    return True
except AssertionError:
    return False

В более поздних пандах эта функциональность была добавлена как .equals:

df.equals(expected)

Ответ 2

Одним из свойств NaN является то, что NaN != NaN есть True.

Отметьте этот ответ для приятного способа сделать это, используя numexpr.

(a == b) | ((a != a) & (b != b))

говорит это (в псевдокоде):

a == b or (isnan(a) and isnan(b))

Итак, либо a равно b, либо оба a и b равны NaN.

Если у вас маленькие кадры, тогда assert_frame_equal будет в порядке. Однако для больших кадров (10M строк) assert_frame_equal в значительной степени бесполезен. Я должен был прервать его, это длилось так долго.

In [1]: df = DataFrame(rand(1e7, 15))

In [2]: df = df[df > 0.5]

In [3]: df2 = df.copy()

In [4]: df
Out[4]:
<class 'pandas.core.frame.DataFrame'>
Int64Index: 10000000 entries, 0 to 9999999
Columns: 15 entries, 0 to 14
dtypes: float64(15)

In [5]: timeit (df == df2) | ((df != df) & (df2 != df2))
1 loops, best of 3: 598 ms per loop

timeit (предположительно) желаемого единственного bool, указывающего, являются ли два DataFrame равными:

In [9]: timeit ((df == df2) | ((df != df) & (df2 != df2))).values.all()
1 loops, best of 3: 687 ms per loop

Ответ 3

Как @PhillipCloud ответ, но больше выписан

In [26]: df1 = DataFrame([[np.nan,1],[2,np.nan]])

In [27]: df2 = df1.copy()

Они действительно эквивалентны

In [28]: result = df1 == df2

In [29]: result[pd.isnull(df1) == pd.isnull(df2)] = True

In [30]: result
Out[30]: 
      0     1
0  True  True
1  True  True

A nan в df2, который не существует в df1

In [31]: df2 = DataFrame([[np.nan,1],[np.nan,np.nan]])

In [32]: result = df1 == df2

In [33]: result[pd.isnull(df1) == pd.isnull(df2)] = True

In [34]: result
Out[34]: 
       0     1
0   True  True
1  False  True

Вы также можете указать значение, которое, как вы знаете, не находится в кадре

In [38]: df1.fillna(-999) == df1.fillna(-999)
Out[38]: 
      0     1
0  True  True
1  True  True

Ответ 4

df.fillna(0) == df2.fillna(0)

Вы можете использовать fillna(). Представление здесь.

from pandas import DataFrame

# create a dataframe with NaNs
df = DataFrame([{'a': 1, 'b': 2}, {'a': 5, 'b': 10, 'c': 20}])
df2 = df

# comparison fails!
print df == df2

# all is well 
print df.fillna(0) == df2.fillna(0)

Ответ 5

Любое сравнение равенства с использованием np.NaN является False, даже np.NaN == np.NaN является False.

Просто df1.fillna('NULL') == df2.fillna('NULL'), если "NULL" не является значением в исходных данных.

Чтобы быть в безопасности, сделайте следующее:

Пример a) Сравните два кадра данных с значениями NaN

bools = (df1 == df2)
bools[pd.isnull(df1) & pd.isnull(df2)] = True
assert bools.all().all()

Пример b) Фильтровать строки в df1, которые не совпадают с df2

bools = (df1 != df2)
bools[pd.isnull(df1) & pd.isnull(df2)] = False
df_outlier = df1[bools.all(axis=1)]

(Примечание: это неверно - bools [pd.isnull(df1) == pd.isnull(df2)] = False)