0으로 채워진 팬더 데이터 프레임 만들기

주어진 크기의 0으로 채워진 팬더 데이터 프레임을 만드는 가장 좋은 방법은 무엇입니까?

나는 사용했다 :

zero_data = np.zeros(shape=(len(data),len(feature_list)))
d = pd.DataFrame(zero_data, columns=feature_list)

더 나은 방법이 있습니까?

이것을 시도 할 수 있습니다.

d = pd.DataFrame(0, index=np.arange(len(data)), columns=feature_list)

내 의견으로는 numpy로 이것을하는 것이 가장 좋습니다.

import numpy as np
import pandas as pd
d = pd.DataFrame(np.zeros((N_rows, N_cols)))

@Shravan과 비슷하지만 numpy를 사용하지 않습니다.

  height = 10
  width = 20
  df_0 = pd.DataFrame(0, index=range(height), columns=range(width))

그런 다음 원하는대로 할 수 있습니다.

post_instantiation_fcn = lambda x: str(x)
df_ready_for_whatever = df_0.applymap(post_instantiation_fcn)

새 데이터 프레임이 기존 데이터 프레임과 동일한 인덱스 및 열을 갖도록하려면 기존 데이터 프레임에 0을 곱하면됩니다.

df_zeros = df * 0

이미 데이터 프레임이있는 경우 다음이 가장 빠른 방법입니다.

In [1]: columns = ["col{}".format(i) for i in range(10)]
In [2]: orig_df = pd.DataFrame(np.ones((10, 10)), columns=columns)
In [3]: %timeit d = pd.DataFrame(np.zeros_like(orig_df), index=orig_df.index, columns=orig_df.columns)
10000 loops, best of 3: 60.2 µs per loop

비교 :

In [4]: %timeit d = pd.DataFrame(0, index = np.arange(10), columns=columns)
10000 loops, best of 3: 110 µs per loop

In [5]: temp = np.zeros((10, 10))
In [6]: %timeit d = pd.DataFrame(temp, columns=columns)
10000 loops, best of 3: 95.7 µs per loop

여기에 0 값을 입력하여 복사하려는 템플릿 DataFrame이 있다고 가정합니다.

데이터 세트에 NaN이없는 경우 0을 곱하면 훨씬 빠를 수 있습니다.

In [19]: columns = ["col{}".format(i) for i in xrange(3000)]                                                                                       

In [20]: indices = xrange(2000)

In [21]: orig_df = pd.DataFrame(42.0, index=indices, columns=columns)

In [22]: %timeit d = pd.DataFrame(np.zeros_like(orig_df), index=orig_df.index, columns=orig_df.columns)
100 loops, best of 3: 12.6 ms per loop

In [23]: %timeit d = orig_df * 0.0
100 loops, best of 3: 7.17 ms per loop

개선은 DataFrame 크기에 따라 다르지만 속도가 느리다는 것을 알 수 없습니다.

그리고 그것을 위해 :

In [24]: %timeit d = orig_df * 0.0 + 1.0
100 loops, best of 3: 13.6 ms per loop

In [25]: %timeit d = pd.eval('orig_df * 0.0 + 1.0')
100 loops, best of 3: 8.36 ms per loop

그러나:

In [24]: %timeit d = orig_df.copy()
10 loops, best of 3: 24 ms per loop

편집하다!!!

float64를 사용하는 프레임이 있다고 가정하면 이것은 엄청난 차이로 가장 빠를 것입니다! 0.0을 원하는 채우기 번호로 대체하여 모든 값을 생성 할 수도 있습니다.

In [23]: %timeit d = pd.eval('orig_df > 1.7976931348623157e+308 + 0.0')
100 loops, best of 3: 3.68 ms per loop

취향에 따라 외부 적으로 nan을 정의하고 특정 플로트 유형에 관계없이 일반적인 솔루션을 수행 할 수 있습니다.

In [39]: nan = np.nan
In [40]: %timeit d = pd.eval('orig_df > nan + 0.0')
100 loops, best of 3: 4.39 ms per loop