当前位置：首页 > news >正文

Python | 对于DataFrame中所有行数据比较的几种方法

news 来源：原创 2025/6/19 6:22:10

在数据分析中，比较DataFrame数据框中的行是一项基本操作，可应用于多种场景，包括：

查找重复项：标识所有相似或包含相同数据的行。
相似性检查：确定某些选定因子的不相似行的相似程度。
成对分析：非常密集地比较两个大型数据集，以便在统计学或机器学习算法中进行进一步分析。

在本文中，我们将学习各种方法，将DataFrame中的行与每一行进行比较，直到所有行都被比较完，结果存储在一个列表中。

理解问题

这个问题涉及到将DataFrame的每一行与所有其他行进行比较，并将结果保存在每一行的列表中。比较DataFrame中的行可以用于多种目的，例如：

识别重复项：检测具有相同或相似值的行。
数据验证：通过将新条目与现有数据进行比较，确保数据一致性。
相似性分析：根据特定标准查找具有相似特征的行。

例如，考虑一个包含付款记录的DataFrame。每一行代表一个付款条目，其中包含“收款人姓名”、"金额“、”付款方式“、”付款参考编号“和”付款日期“等列。其目标是确定向同一人支付的金额相似（在10%的范围内）的付款。

行比较的方法

以下是可以比较两个数据帧中的行的一些方法：选择技术的标准取决于数据帧的大小，比较逻辑的难度以及技术的性能。

1. 使用嵌套循环

最直接的方法是使用嵌套循环遍历每一行，并将其与所有其他行进行比较。然而，这种方法对于大型数据集可能是低效的。

import pandas as pd# Sample DataFrame
data = {'Payee Name': ["John", "John", "John", "Sam", "Sam"],'Amount': [100, 30, 95, 30, 30],'Payment Method': ['Cheque', 'Electronic', 'Electronic', 'Cheque', 'Electronic'],'Payment Reference Number': [1, 2, 3, 4, 5],'Payment Date': pd.to_datetime(['2022-01-01', '2022-02-01', '2022-03-01', '2022-04-01', '2022-05-01'])
}df = pd.DataFrame(data)# Compare each row with all other rows
results = []
for i, row in df.iterrows():similar_rows = []for j, other_row in df.iterrows():if i != j and row['Payee Name'] == other_row['Payee Name'] and abs(row['Amount'] - other_row['Amount']) <= 0.1 * row['Amount']:similar_rows.append(j)results.append(similar_rows)print(results)

输出

[[2], [], [0], [4], [3]]

2. 使用Pandas中apply函数

这种方法可能比嵌套循环更有效。

def find_similar_rows(row, df):return df[(df['Payee Name'] == row['Payee Name']) & (abs(df['Amount'] - row['Amount']) <= 0.1 * row['Amount'])].index.tolist()results = df.apply(lambda row: find_similar_rows(row, df), axis=1)
print(results)

输出

0    [0, 2]
1       [1]
2    [0, 2]
3    [3, 4]
4    [3, 4]
dtype: object

3. 使用迭代比较

迭代比较方法处理将两个列表或向量送到嵌套循环的问题，该嵌套循环将第一个列表中的每一行与第二个列表中的每隔一行进行比较。

在这个例子中，我们将使用嵌套循环来比较每一行与所有其他行。

import pandas as pd# Sample DataFrame
data = {'A': [1, 2, 3, 4],'B': [5, 6, 7, 8]
}df = pd.DataFrame(data)
print("DataFrame:\n", df)# Initialize an empty list to store the results
results = []# Iterate over each row
for i in range(len(df)):row_results = []for j in range(len(df)):if i != j:# Compare rows and append the resultcomparison = df.iloc[i] == df.iloc[j]row_results.append(comparison.all())else:row_results.append(False)results.append(row_results)print("\nResults (Iterative Comparison):\n", results)

输出

DataFrame:A  B
0  1  5
1  2  6
2  3  7
3  4  8Results (Iterative Comparison):[[False, False, False, False], [False, False, False, False], [False, False, False, False], [False, False, False, False]]

4. 使用矢量化操作

矢量化操作涉及使用NumPy和Pandas等库以最有效的方式进行比较。这些操作完全是根据其效率设计的，并且可以比迭代技术更有效地处理大数据帧。

使用NumPy和Pandas，我们可以通过矢量化操作更有效地执行比较。

import pandas as pd
import numpy as np# Sample DataFrame
data = {'A': [1, 2, 3, 4],'B': [5, 6, 7, 8]
}df = pd.DataFrame(data)
print("DataFrame:\n", df)# Convert DataFrame to NumPy array for faster operations
df_array = df.values# Initialize an empty list to store the results
results = []# Iterate over each row
for i in range(len(df_array)):row_results = np.all(df_array[i] == df_array, axis=1)results.append(row_results.tolist())print("\nResults (Vectorized Operations):\n", results)

输出

DataFrame:A  B
0  1  5
1  2  6
2  3  7
3  4  8Results (Vectorized Operations):[[ True, False, False, False], [False,  True, False, False], [False, False,  True, False], [False, False, False,  True]]

在列表中保存结果

在上面的示例中，比较的结果以列表形式编写，即列表的每个元素表示给定DataFrame的一行。每个子列表都包含布尔值，这些值对应于该行与所有其他行的匹配。这种结构使得可以方便地获得和研究比较结果。

结合实际使用的技术，这里有一个使用矢量化操作的综合示例：

import pandas as pd
import numpy as np# Sample DataFrame
data = {'A': [1, 2, 3, 4],'B': [5, 6, 7, 8]
}df = pd.DataFrame(data)
print("DataFrame:\n", df)# Convert DataFrame to NumPy array for faster operations
df_array = df.values# Initialize an empty list to store the results
results = []# Iterate over each row
for i in range(len(df_array)):row_results = np.all(df_array[i] == df_array, axis=1)results.append(row_results.tolist())print("\nResults (Consolidated Example):\n", results)

输出

DataFrame:A  B
0  1  5
1  2  6
2  3  7
3  4  8Results (Consolidated Example):[[ True, False, False, False], [False,  True, False, False], [False, False,  True, False], [False, False, False,  True]]

优化DataFrame操作：性能考虑因素

1. 优化技术

DataFrame 大小：对于非常大的DataFrame，请考虑对数据进行采样或分块。
并行处理：使用像Dask或joblib这样的库来并行计算。
高效的数据结构：使用NumPy数组进行数值运算，以利用它们的速度。

2. 复杂度分析
嵌套循环方法的时间复杂度为O，其中n是行数。向量化操作可以通过并行执行操作来降低这种复杂性，但它们仍然需要空间来存储中间结果。

总结

将DataFrame中的每一行与所有其他行进行比较是数据分析中的常见任务，其应用范围从重复检测到数据验证。虽然嵌套循环方法很直观，但对于大型数据集来说可能效率低下。利用Pandas的apply函数和矢量化操作可以显著提高性能。通过将结果存储在列表中，我们可以有效地分析和利用比较结果。