Nümerik dizi veya pandalarla pythonda rutini sadeleştirme

Question

İlk sorun şudur: İlk satır matrisi 10 satır ve 12 satır olsun. Tüm satırlar için iki satırı birlikte toplamak istiyorum. Sonunda 10 satır olmalı ama sadece 6 satır olmalı. Şu anda,

for i in range(0,12,2): 
    coarse[i]=initial.iloc[:,i:i+1].sum(axis=1) 

Aslında (bir pandalar DataFrame olan başlangıçtaki kullanarak) python döngü için aşağıdaki yapıyorum, ben daha verimli bir şey mümkün olduğunu oldukça eminim. Liste anlama, DataFrame veya numpy dizisi gibi bir şey düşünüyorum. Herhangi birinin bir fikri var mı ?

Ayrıca büyük numpy dizileri veya pandalar DataFrame işlemek için daha iyi olup olmadığını bilmek isterim.

Answer 1

çözümünü göstermek için küçük bir örnek dataframe yaratalım:

np.random.seed(0) 
df = pd.DataFrame(np.random.rand(6, 3)) 

>>> df 
      0   1   2 
0 0.548814 0.715189 0.602763 
1 0.544883 0.423655 0.645894 
2 0.437587 0.891773 0.963663 
3 0.383442 0.791725 0.528895 
4 0.568045 0.925597 0.071036 
5 0.087129 0.020218 0.832620 

ilk satırda (::2) başlayarak ve ikinci sıranın (1::2) başlayarak her iki satırdan seçmek için dilim biçimi kullanabilirsiniz. iloc tamsayı endeksleme içindir. Bu konumlardaki değerleri seçmeniz ve bunları birlikte eklemeniz gerekir. Sonuç, gerektiğinde tekrar DataFrame'e dönüştürebileceğiniz bir sayı dizisidir.

>>> df.iloc[::2].values + df.iloc[1::2].values 
array([[ 1.09369669, 1.13884417, 1.24865749], 
     [ 0.82102873, 1.68349804, 1.49255768], 
     [ 0.65517386, 0.94581504, 0.9036559 ]]) 

İndekslemeyi kaldırmak için değerleri kullanırsınız.

>>> df.iloc[::2] + df.iloc[1::2].values 
      0   1   2 
0 1.093697 1.138844 1.248657 
2 0.821029 1.683498 1.492558 
4 0.655174 0.945815 0.903656 

>>> df.iloc[::2].values + df.iloc[1::2] 
      0   1   2 
1 1.093697 1.138844 1.248657 
3 0.821029 1.683498 1.492558 
5 0.655174 0.945815 0.903656 

daha genel çözüm için:

df = pd.DataFrame(np.random.rand(9, 3)) 
n = 3 # Number of consecutive rows to group. 
df['group'] = [idx // n for idx in range(len(df.index))] 

df.groupby('group').sum() 
       0   1   2 
group        
0  1.531284 2.030617 2.212320 
1  1.038615 1.737540 1.432551 
2  1.695590 1.971413 1.902501