我正在嘗試將多個交叉表合併爲一個。請注意,提供的數據顯然僅用於測試目的。實際數據要大得多,所以效率對我來說非常重要。在Python中合併交叉表
交叉表生成,列出,然後在word
列中與lambda函數合併。但是,這種合併的結果並不是我期望的結果。我認爲問題在於,即使使用dropna = False
,交叉表的值僅爲NA的列也會被丟棄,這會導致merge
函數失敗。我將首先展示代碼,然後介紹中間數據和錯誤。
import pandas as pd
import numpy as np
import functools as ft
def main():
# Create dataframe
df = pd.DataFrame(data=np.zeros((0, 3)), columns=['word','det','source'])
df["word"] = ('banana', 'banana', 'elephant', 'mouse', 'mouse', 'elephant', 'banana', 'mouse', 'mouse', 'elephant', 'ostrich', 'ostrich')
df["det"] = ('a', 'the', 'the', 'a', 'the', 'the', 'a', 'the', 'a', 'a', 'a', 'the')
df["source"] = ('BE', 'BE', 'BE', 'NL', 'NL', 'NL', 'FR', 'FR', 'FR', 'FR', 'FR', 'FR')
create_frequency_list(df)
def create_frequency_list(df):
# Create a crosstab of ALL values
# NOTE that dropna = False does not seem to work as expected
total = pd.crosstab(df.word, df.det, dropna = False)
total.fillna(0)
total.reset_index(inplace=True)
total.columns = ['word', 'a', 'the']
crosstabs = [total]
# For the column headers, multi-level
first_index = [('total','total')]
second_index = [('a','the')]
# Create crosstabs per source (one for BE, one for NL, one for FR)
# NOTE that dropna = False does not seem to work as expected
for source, tempDf in df.groupby('source'):
crosstab = pd.crosstab(tempDf.word, tempDf.det, dropna = False)
crosstab.fillna(0)
crosstab.reset_index(inplace=True)
crosstab.columns = ['word', 'a', 'the']
crosstabs.append(crosstab)
first_index.extend((source,source))
second_index.extend(('a','the'))
# Just for debugging: result as expected
for tab in crosstabs:
print(tab)
merged = ft.reduce(lambda left,right: pd.merge(left,right, on='word'), crosstabs).set_index('word')
# UNEXPECTED RESULT
print(merged)
arrays = [first_index, second_index]
# Throws error: NotImplementedError: > 1 ndim Categorical are not supported at this time
columns = pd.MultiIndex.from_arrays(arrays)
df_freq = pd.DataFrame(data=merged.as_matrix(),
columns=columns,
index = crosstabs[0]['word'])
print(df_freq)
main()
個人交叉表:並不如預期。 NA列被丟棄
word a the
0 banana 2 1
1 elephant 1 2
2 mouse 2 2
3 ostrich 1 1
word a the
0 banana 1 1
1 elephant 0 1
word a the
0 banana 1 0
1 elephant 1 0
2 mouse 1 1
3 ostrich 1 1
word a the
0 elephant 0 1
1 mouse 1 1
這意味着數據幀不會共享所有值,而這又會導致合併混亂。
合併:
# NotImplementedError: > 1 ndim Categorical are not supported at this time
columns = pd.MultiIndex.from_arrays(arrays)
所以據我可以告訴這個問題早開始:未如預期,顯然
a_x the_x a_y the_y a_x the_x a_y the_y
word
elephant 1 2 0 1 1 0 0 1
但是,錯誤只得到在列分配拋出,與新加坡協定,並使整個事情失敗。但是,由於我在Python中經驗不足,所以我無法確定。
我期待什麼,是一個多指標輸出:
source total BE FR NL
det a the a the a the a the
word
0 banana 2 1 1 1 1 0 0 0
1 elephant 1 2 0 1 1 0 0 1
2 mouse 2 2 0 0 1 1 1 1
3 ostrich 1 1 0 0 1 1 0 0
謝謝你的努力至今。你能解釋我應該把它放在哪裏嗎?它嘗試刪除'create_frequency_list'中的所有內容並將其替換爲您的代碼,但在代碼的最後一行出現錯誤''str'對象不可調用'。除此之外,你還可以更徹底地解釋你的代碼中發生了什麼?正如我所說我是初學者,但我非常渴望學習。 –
@BramVanroy我更新了我的帖子。 – piRSquared
我複製粘貼你的代碼,我仍然得到相同的錯誤。這是[分解](http://pastebin.com/NQwLhp6R)。運行Python 3.4.3。 –