什麼是在一個數據幀

Question

，我有以下格式的熊貓數據幀一組選定行的執行數學最有效的方法：

Location| X | Y 
---------------- 
A1  | 1 | 2 
A1  | 2 | 3 
A2  | 1 | 1 
A2  | 2 | 3 
etc...many locations...many values 

我想在一個所有值的一階導數位置，並將其作爲X1附加到原始數據框。

Location| X | Y | X' 
-------------------- 
A1  | 1 | 2 | 
A1  | 2 | 3 | 
A2  | 1 | 1 | 
A2  | 2 | 3 | 
etc...many locations...many values 

什麼是最有效/最優雅的做法。我有一個看起來像這樣的方法：

1.）獲取所有獨特的位置。

2.）遍歷所有位置以獲得只匹配循環中位置的行。

grad_dict = {} 
for location in locations: 
    selected_rows = df.query('{0} == "{1}") 
    temp_df = np.gradient(selected_rows['X']) 
    grad_dict[location] = temp_df 

3）串連所有字典在一起有點像這樣：

result = pd.concat([grad_dict[location] for location in locations]) 

注：有可能與此代碼的一些小問題，我好像沒有真正加入這個值數據框當前。但更廣泛的一點是我的問題。

我的問題：這是最優雅/有效的方式嗎？有沒有更優雅/更快的方式？當有許多地點時，此操作有時可能需要幾秒鐘的時間。

Answer 1

如果我理解正確的話，你應該能夠執行groupby和使用transform：

df["X'"] = df.groupby('Location')['X'].transform(np.gradient) 

在一般情況下，如果要執行一個數據幀的多個小節相同的操作，groupby是這樣的去。

輸出結果：

Location X Y X' 
0  A1 1 2 1 
1  A1 2 3 1 
2  A2 1 1 1 
3  A2 2 3 1 

編輯

如果你要提供額外的參數np.gradient，您可以提供它們作爲參數傳入transform。例如：

df["X'"] = df.groupby('Location')['X'].transform(np.gradient, 0.5, edge_order=2) 

如果您需要做更復雜的東西，你可以寫，而不是一個lambda函數來指定你想要做什麼，或者單獨定義自定義函數，並把它傳遞給transform。儘管如此，如果可以這樣做，您應該使用上述方法，因爲創建lambda會稍微慢一些：

df["X'"] = df.groupby('Location')['X'].transform(lambda x: np.gradient(x, 0.5, edge_order=2))