使用熊猫查找最多两列或更多列

Question

我有一个列的数据帧A，B。我需要创建一个列C，以便为每个记录/行：C = max(A, B)。我应该怎么做呢？谢谢。

Answer 1

您可以这样获得最大值：

>>> 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

所以：

>>> df["C"] = df[["A", "B"]].max(axis=1)

>>> df

   A  B  C

0  1 -2  1

1  2  8  8

2  3  1  3

如果您知道“ A”和“ B”是唯一的列，那么您甚至可以逃脱

>>> df["C"] = df.max(axis=1)

.apply(max, axis=1)我猜你也可以使用。

Answer 2

在几乎所有正常情况下，@ DSM的答案都很好。但是，如果您是想比表面层次更深入的程序员，那么您可能会想知道，在基础.to_numpy()（或.values对于<0.24）数组上调用numpy函数要比直接调用更快一些。调用在DataFrame / Series对象上定义的（cythonized）函数。

例如，您可以ndarray.max()沿第一个轴使用。

# 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 

如果您的数据包含NaN，则将需要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 

您也可以使用numpy.maximum.reduce。numpy.maximum是一个ufunc（通用函数），每个ufunc都有一个reduce：

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

在此处输入图片说明

np.maximum.reduce并且np.max看起来大致相同（对于大多数正常大小的DataFrame），并且阴影的速度比快DataFrame.max。我认为这种差异大致保持不变，并且是由于内部开销（索引对齐，处理NaN等）引起的。

该图是使用perfplot生成的。基准测试代码，以供参考：

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)