列のあるデータフレームがありA
ますB
。C
すべてのレコード/行に対して次のような列を作成する必要があります。
C = max(A, B)
。
どうすればこれを行うことができますか?
あなたはこのように最大値を得ることができます:
>>> import pandas as pd
>>> df = pd.DataFrame({"A": [1,2,3], "B": [-2, 8, 1]})
>>> df
A B
0 1 -2
1 2 8
2 3 1
>>> df[["A", "B"]]
A B
0 1 -2
1 2 8
2 3 1
>>> df[["A", "B"]].max(axis=1)
0 1
1 8
2 3
など:
>>> df["C"] = df[["A", "B"]].max(axis=1)
>>> df
A B C
0 1 -2 1
1 2 8 8
2 3 1 3
「A」と「B」が唯一の列であることがわかっている場合は、
>>> df["C"] = df.max(axis=1)
そして、あなたも使うことができる.apply(max, axis=1)
と思います。
@DSMの答えは、ほとんどすべての通常のシナリオで完全に問題ありません。しかし、表面レベルよりも少し深くしたいタイプのプログラマーの場合は、直接ではなく、基になる.to_numpy()
(または.values
<0.24)配列でnumpy関数を呼び出す方が少し速いことを知りたいと思うかもしれません。 DataFrame / Seriesオブジェクトで定義された(cythonized)関数を呼び出します。
たとえばndarray.max()
、最初の軸に沿って使用できます。
# Data borrowed from @DSM's post.
df = pd.DataFrame({"A": [1,2,3], "B": [-2, 8, 1]})
df
A B
0 1 -2
1 2 8
2 3 1
df['C'] = df[['A', 'B']].values.max(1)
# Or, assuming "A" and "B" are the only columns,
# df['C'] = df.values.max(1)
df
A B C
0 1 -2 1
1 2 8 8
2 3 1 3
データにNaN
sがある場合は、次のものが必要になりますnumpy.nanmax
。
df['C'] = np.nanmax(df.values, axis=1)
df
A B C
0 1 -2 1
1 2 8 8
2 3 1 3
を使用することもできますnumpy.maximum.reduce
。numpy.maximum
はufunc(ユニバーサル関数)であり、すべてのufuncにはreduce
:があります。
df['C'] = np.maximum.reduce(df['A', 'B']].values, axis=1)
# df['C'] = np.maximum.reduce(df[['A', 'B']], axis=1)
# df['C'] = np.maximum.reduce(df, axis=1)
df
A B C
0 1 -2 1
1 2 8 8
2 3 1 3
np.maximum.reduce
(ほとんどの通常サイズのDataFrameの場合)ほぼ同じようにnp.max
見えますが、たまたまよりも速いシェードになっていますDataFrame.max
。この違いはほぼ一定であり、内部オーバーヘッド(インデックスの配置、NaNの処理など)によるものだと思います。
グラフはperfplotを使用して生成されました。参考のためのベンチマークコード:
import pandas as pd
import perfplot
np.random.seed(0)
df_ = pd.DataFrame(np.random.randn(5, 1000))
perfplot.show(
setup=lambda n: pd.concat([df_] * n, ignore_index=True),
kernels=[
lambda df: df.assign(new=df.max(axis=1)),
lambda df: df.assign(new=df.values.max(1)),
lambda df: df.assign(new=np.nanmax(df.values, axis=1)),
lambda df: df.assign(new=np.maximum.reduce(df.values, axis=1)),
],
labels=['df.max', 'np.max', 'np.maximum.reduce', 'np.nanmax'],
n_range=[2**k for k in range(0, 15)],
xlabel='N (* len(df))',
logx=True,
logy=True)
複数の列の中から最大値を見つけるには、次のようになります。
df[['A','B']].max(axis=1).max(axis=0)
例:
df =
A B
timestamp
2019-11-20 07:00:16 14.037880 15.217879
2019-11-20 07:01:03 14.515359 15.878632
2019-11-20 07:01:33 15.056502 16.309152
2019-11-20 07:02:03 15.533981 16.740607
2019-11-20 07:02:34 17.221073 17.195145
print(df[['A','B']].max(axis=1).max(axis=0))
17.221073