Подмножество данных в Python

Я хочу использовать эквивалент команды подмножества в R для некоторого кода Python, который я пишу.

Вот мои данные:

col1    col2    col3    col4    col5
100002  2006    1.1 0.01    6352
100002  2006    1.2 0.84    304518
100002  2006    2   1.52    148219
100002  2007    1.1 0.01    6292
10002   2006    1.1 0.01    5968
10002   2006    1.2 0.25    104318
10002   2007    1.1 0.01    6800
10002   2007    4   2.03    25446
10002   2008    1.1 0.01    6408

Я хочу подмножить данные на основе содержимого col1 и col2. (Уникальные значения в col1 равны 100002 и 10002, а в col2 - 2006,2007 и 2008.)

Это можно сделать в R с помощью команды подмножества, есть ли что-то подобное в Python?

Ответ 1

В то время как ответы на основе итератора совершенно прекрасны, если вы работаете с массивами numpy (как вы уже упоминаете, что вы есть) есть лучшие и быстрые способы выбора вещей:

import numpy as np
data = np.array([
        [100002, 2006, 1.1, 0.01, 6352],
        [100002, 2006, 1.2, 0.84, 304518],
        [100002, 2006, 2,   1.52, 148219],
        [100002, 2007, 1.1, 0.01, 6292],
        [10002,  2006, 1.1, 0.01, 5968],
        [10002,  2006, 1.2, 0.25, 104318],
        [10002,  2007, 1.1, 0.01, 6800],
        [10002,  2007, 4,   2.03, 25446],
        [10002,  2008, 1.1, 0.01, 6408]    ])

subset1 = data[data[:,0] == 100002]
subset2 = data[data[:,0] == 10002]

Это дает

subset1:

array([[  1.00002e+05,   2.006e+03,   1.10e+00, 1.00e-02,   6.352e+03],
       [  1.00002e+05,   2.006e+03,   1.20e+00, 8.40e-01,   3.04518e+05],
       [  1.00002e+05,   2.006e+03,   2.00e+00, 1.52e+00,   1.48219e+05],
       [  1.00002e+05,   2.007e+03,   1.10e+00, 1.00e-02,   6.292e+03]])

subset2:

array([[  1.0002e+04,   2.006e+03,   1.10e+00, 1.00e-02,   5.968e+03],
       [  1.0002e+04,   2.006e+03,   1.20e+00, 2.50e-01,   1.04318e+05],
       [  1.0002e+04,   2.007e+03,   1.10e+00, 1.00e-02,   6.800e+03],
       [  1.0002e+04,   2.007e+03,   4.00e+00, 2.03e+00,   2.5446e+04],
       [  1.0002e+04,   2.008e+03,   1.10e+00, 1.00e-02,   6.408e+03]])

Если вы не знали уникальных значений в первом столбце заранее, вы можете использовать numpy.unique1d или встроенную функцию set чтобы найти их.

Изменить: я просто понял, что вы хотите выбрать данные, где у вас есть уникальные комбинации из двух столбцов... В этом случае вы можете сделать что-то вроде этого:

col1 = data[:,0]
col2 = data[:,1]

subsets = {}
for val1, val2 in itertools.product(np.unique(col1), np.unique(col2)):
    subset = data[(col1 == val1) & (col2 == val2)]
    if np.any(subset):
        subsets[(val1, val2)] = subset

(Я храню подмножества как dict, причем ключ является кортежем комбинации... Конечно, есть другие (и лучше, в зависимости от того, что вы делаете)!)

Ответ 2

subset() в R почти аналогичен filter() в Python. В качестве эталонных заметок это будет использоваться неявно по спискам, поэтому наиболее сжатым и понятным способом написания кода может быть

[ item for item in items if item.col2 == 2006 ]

если, например, ваши строки данных были в итерабельном названии items.

Ответ 3

Поскольку я не знаком с R и как эта команда подмножества работает на основе вашего описания, я могу предложить вам взглянуть на функциональность itertool groupby. Если задана функция, которая выводит значение, вы можете сформировать группы на основе вывода этой функции. Взято из groupby:

groups = []
uniquekeys = []
data = sorted(data, key=keyfunc)
for k, g in groupby(data, keyfunc):
    groups.append(list(g))      # Store group iterator as a list
    uniquekeys.append(k)

а затем у вас есть свои подмножества. Однако будьте осторожны, поскольку возвращаемые значения не являются полноценными списками. Они итераторы.

Я предполагаю, что ваши значения возвращаются в строке за строкой.