我想用它们的出现频率来替换类别。我的数据帧是惰性的,目前如果不遍历整个数据两次,然后遍历一列来获取数据帧的长度,我就无法做到这一点。这是我的做法:
输入:
df = pl.DataFrame({"a": [1, 8, 3], "b": [4, 5, None], "c": ["foo", "bar", "bar"]}).lazy()
print(df.collect())
output:
shape: (3, 3)
┌─────┬──────┬─────┐
│ a ┆ b ┆ c │
│ --- ┆ --- ┆ --- │
│ i64 ┆ i64 ┆ str │
╞═════╪══════╪═════╡
│ 1 ┆ 4 ┆ foo │
│ 8 ┆ 5 ┆ bar │
│ 3 ┆ null ┆ bar │
└─────┴──────┴─────┘
所需输出:
shape: (3, 3)
┌─────┬──────┬────────────────────┐
│ a ┆ b ┆ c │
│ --- ┆ --- ┆ --- │
│ i64 ┆ i64 ┆ str │
╞═════╪══════╪════════════════════╡
│ 1 ┆ 4 ┆ 0.3333333333333333 │
│ 8 ┆ 5 ┆ 0.6666666666666666 │
│ 3 ┆ null ┆ 0.6666666666666666 │
└─────┴──────┴────────────────────┘
转换代码:
l = df.select("c").collect().shape[0]
rep = df.group_by("c").len().collect().with_columns(pl.col("len")/l).lazy()
df_out = df.with_context(rep.select(pl.all().name.prefix("context_"))).with_columns(pl.col("c").replace(pl.col("context_c"), pl.col("context_len"))).collect()
print(df_out)
output:
shape: (3, 3)
┌─────┬──────┬────────────────────┐
│ a ┆ b ┆ c │
│ --- ┆ --- ┆ --- │
│ i64 ┆ i64 ┆ str │
╞═════╪══════╪════════════════════╡
│ 1 ┆ 4 ┆ 0.3333333333333333 │
│ 8 ┆ 5 ┆ 0.6666666666666666 │
│ 3 ┆ null ┆ 0.6666666666666666 │
└─────┴──────┴────────────────────┘
如您所见,我正在收集 2 倍完整的数据,并且在单个列上收集了一次。我可以做得更好吗?
pl.Expr.value_counts()
获取频率的 LazyFrame,可以将其连接到 df
。您仍然需要对列进行一些重命名/删除。
freqs = (
df
.select(pl.col("c").value_counts())
.unnest("c")
.with_columns(pl.col("count") / pl.col("count").sum())
)
df.join(freqs,on="c",how="left").drop("c").rename({"count": "c"}).collect()
shape: (3, 3)
┌─────┬──────┬──────────┐
│ a ┆ b ┆ c │
│ --- ┆ --- ┆ --- │
│ i64 ┆ i64 ┆ f64 │
╞═════╪══════╪══════════╡
│ 1 ┆ 4 ┆ 0.333333 │
│ 8 ┆ 5 ┆ 0.666667 │
│ 3 ┆ null ┆ 0.666667 │
└─────┴──────┴──────────┘