根据三列匹配两个Pandas DataFrame中的行

Question

我有两个Pandas数据框，一个非常大（超过30000行），另一个小得多（100多行）。

dfA看起来像这样：

      X     Y    ONSET_TIME    COLOUR 
0   104    78          1083         6    
1   172    78          1083        16
2   240    78          1083        15 
3   308    78          1083         8
4   376    78          1083         8
5   444    78          1083        14
6   512    78          1083        14
... ...   ...           ...       ...

dfB看起来像这样：

    TIME     X     Y
0      7   512   350 
1   1722   512   214 
2   1906   376   214 
3   2095   376   146 
4   2234   308    78 
5   2406   172   146
...  ...   ...   ...  

我想做的是，对于dfB中的每一行，找到dfA中对应的行，要求X和Y列的值相等，并且dfB['TIME']的值要大于dfA['ONSET_TIME']，而且要是第一个满足这个条件的行，然后返回这个行的dfA['COLOUR']的值。

dfA代表的是显示器的刷新，其中X和Y是显示器上物品的坐标，并且对于每个不同的ONSET_TIME，这些坐标会重复出现（每个ONSET_TIME有108对坐标）。

在这两个数据框中，X和Y相等的行会有很多，但我需要的是同时匹配时间的那一行。

我已经用for循环和if语句做过这个操作，看看能否实现，但显然由于数据框的大小，这样做会花费很长时间。

for s in range(0, len(dfA)):
    for r in range(0, len(dfB)):
        if (dfB.iloc[r,1] == dfA.iloc[s,0]) and (dfB.iloc[r,2] == dfA.iloc[s,1]) and (dfA.iloc[s,2] <= dfB.iloc[r,0] < dfA.iloc[s+108,2]):
            return dfA.iloc[s,3]

Answer 1

使用 merge() 函数，它的作用就像 SQL 里的 JOIN，这样你就完成了第一部分。

d1 = '''      X     Y    ONSET_TIME    COLOUR 
   104    78          1083         6    
   172    78          1083        16
   240    78          1083        15 
   308    78          1083         8
   376    78          1083         8
   444    78          1083        14
   512    78          1083        14
   308    78          3000        14
   308    78          2000        14''' 


d2 = '''    TIME     X     Y
      7   512   350 
   1722   512   214 
   1906   376   214 
   2095   376   146 
   2234   308    78 
   2406   172   146'''

import pandas as pd
from StringIO import StringIO

dfA = pd.DataFrame.from_csv(StringIO(d1), sep='\s+', index_col=None)
#print dfA

dfB = pd.DataFrame.from_csv(StringIO(d2), sep='\s+', index_col=None)
#print dfB

df1 =  pd.merge(dfA, dfB, on=['X','Y'])
print df1

结果：

     X   Y  ONSET_TIME  COLOUR  TIME
0  308  78        1083       8  2234
1  308  78        3000      14  2234
2  308  78        2000      14  2234

然后你可以用它来筛选结果。

df2 = df1[ df1['ONSET_TIME'] < df1['TIME'] ]
print df2

结果：

     X   Y  ONSET_TIME  COLOUR  TIME
0  308  78        1083       8  2234
2  308  78        2000      14  2234

Answer 2

可能还有更有效的方法来实现这个，但这里有一种不使用慢慢的循环的方法：

import pandas as pd

dfB = pd.DataFrame({'X':[1,2,3],'Y':[1,2,3], 'Time':[10,20,30]})
dfA = pd.DataFrame({'X':[1,1,2,2,2,3],'Y':[1,1,2,2,2,3], 'ONSET_TIME':[5,7,9,16,22,28],'COLOR': ['Red','Blue','Blue','red','Green','Orange']})

#create one single table
mergeDf = pd.merge(dfA, dfB, left_on = ['X','Y'], right_on = ['X','Y'])
#remove rows where time is less than onset time
filteredDf = mergeDf[mergeDf['ONSET_TIME'] < mergeDf['Time']]
#take min time (closest to onset time)
groupedDf = filteredDf.groupby(['X','Y']).max()

print filteredDf

 COLOR  ONSET_TIME  X  Y  Time
0     Red           5  1  1    10
1    Blue           7  1  1    10
2    Blue           9  2  2    20
3     red          16  2  2    20
5  Orange          28  3  3    30


print groupedDf

COLOR  ONSET_TIME  Time
X Y                          
1 1     Red           7    10
2 2     red          16    20
3 3  Orange          28    30

基本的思路是把两个表合并在一起，这样你就能把时间放在一个表里。然后我筛选出那些最大的记录，也就是离你在dfB里的时间最近的记录。如果你有任何问题，随时问我。