什麼是'熊貓式'數據結構存儲在DataFrame中？

Question

我聽說熊貓不能很好地處理單個單元格中的存儲列表或字典，但是我很努力地在上找到更多信息。爲什麼就是這種情況。在許多用例中，將更復雜的數據結構存儲在Pandas單元中會非常有用 - 比如字典 - 我如何以'熊貓式'的方式來做到這一點？這是否適用於所有可變數據結構？

Answer 1

這可能不是你要找的，因爲@EdChum是正確的。非常簡單，將非標量對象放入pd.Series和pd.DataFrame單元中的原因很少。

考慮數據框df

d1 = dict(a=1, b=2, c=3) 
d2 = dict(d=1, e=2, f=3) 
d3 = dict(g=1, h=2, i=3) 
d4 = dict(j=1, k=2, l=3) 
d5 = dict(m=1, n=2, o=3) 
d6 = dict(p=1, q=2, r=3) 

df = pd.DataFrame(dict(
    A=[d1, d2, d3], 
    B=[d4, d5, d6] 
)) 

df 

          A       B 
0 {'a': 1, 'b': 2, 'c': 3} {'j': 1, 'k': 2, 'l': 3} 
1 {'d': 1, 'e': 2, 'f': 3} {'m': 1, 'n': 2, 'o': 3} 
2 {'g': 1, 'h': 2, 'i': 3} {'p': 1, 'q': 2, 'r': 3} 

---

你最好不要使用嵌入式詞典。

d = df.to_dict() 

d['A'][0] 

{'a': 1, 'b': 2, 'c': 3} 

---

但是，如果你想操縱他們行或列，明智的，你可以寫你定義添加dict一個子類

from cytoolz.dicttoolz import merge 

class dict_(dict): 
    def __init__(self, *args, **kwargs): 
     super().__init__(*args, **kwargs) 

    def __add__(self, other): 
     return dict_(merge(self, other)) 

然後，你可以值轉換爲這個新類...

df.applymap(dict_).sum() 

A {'a': 1, 'b': 2, 'c': 3, 'd': 1, 'e': 2, 'f': ... 
B {'j': 1, 'k': 2, 'l': 3, 'm': 1, 'n': 2, 'o': ... 
dtype: object 

或

df.applymap(dict_).sum(1) 

0 {'a': 1, 'b': 2, 'c': 3, 'j': 1, 'k': 2, 'l': 3} 
1 {'d': 1, 'e': 2, 'f': 3, 'm': 1, 'n': 2, 'o': 3} 
2 {'g': 1, 'h': 2, 'i': 3, 'p': 1, 'q': 2, 'r': 3} 
dtype: object 

甚至得到一個numpy的對象數組

df.applymap(dict_).values.sum() 

{'a': 1, 
'b': 2, 
'c': 3, 
'd': 1, 
'e': 2, 
'f': 3, 
'g': 1, 
'h': 2, 
'i': 3, 
'j': 1, 
'k': 2, 
'l': 3, 
'm': 1, 
'n': 2, 
'o': 3, 
'p': 1, 
'q': 2, 
'r': 3} 

---

這還挺有趣！不知道這是如何「熊貓式」，但我喜歡它。