Mam dziś stosunkowo proste pytanie. Mam obiekt pandy Series zawierający wartości logiczne. Jak mogę uzyskać serię zawierającą logiczną NOT każdej wartości?Jak mogę uzyskać logiczny element NIE z serii PANDA?
Rozważmy na przykład serię zawierającą:
True
True
True
False
Seria Chciałbym dostać będzie zawierać:
False
False
False
True
Wydaje się, że powinna być w miarę proste, ale widocznie I ve niesłuszna mój mojo dzisiaj = (
Dzięki!
Aby odwrócić logiczną Series, use ~s:
In [7]: s = pd.Series([True, True, False, True])
In [8]: ~s
Out[8]:
0 False
1 False
2 True
3 False
dtype: bool
Korzystanie Python2.7, NumPy 1.8.0, Pandy 0.13.1:
In [119]: s = pd.Series([True, True, False, True]*10000)
In [10]: %timeit np.invert(s)
10000 loops, best of 3: 91.8 µs per loop
In [11]: %timeit ~s
10000 loops, best of 3: 73.5 µs per loop
In [12]: %timeit (-s)
10000 loops, best of 3: 73.5 µs per loop
Począwszy od Pandy 0.13.0, seria nie są już podklasy numpy.ndarray; są teraz podklasami pd.NDFrame. Może to mieć coś wspólnego z tym, dlaczego np.invert(s) nie jest już tak szybki jak ~s lub -s.
Zastrzeżenie: timeit wyniki mogą się różnić w zależności od wielu czynników, w tym sprzętu, kompilatora, systemu operacyjnego, Pythona, NumPy i wersji Pand.
Należy zauważyć. Poza tym, że jest znacznie wolniejsza, jaka jest różnica między tyldą a "-'? – blz
Dziwne, faktycznie testowałem 'tyldę', jak wspomniano w dokumentacji, ale nie działało to tak jak' np.invert': S – root
@blz: Przynajmniej na moim komputerze z Ubuntu, z NumPy 1.6.2 , wydajność 'np.invert (s)', '~ s' i' -s' są takie same. – unutbu
po prostu dać mu sh OT:
In [9]: s = Series([True, True, True, False])
In [10]: s
Out[10]:
0 True
1 True
2 True
3 False
In [11]: -s
Out[11]:
0 False
1 False
2 False
3 True
Dosłownie spróbowałem każdego operatora innego niż '-'! Będę o tym pamiętać następnym razem. – blz
Można również użyć numpy.invert:
In [1]: import numpy as np
In [2]: import pandas as pd
In [3]: s = pd.Series([True, True, False, True])
In [4]: np.invert(s)
Out[4]:
0 False
1 False
2 True
3 False
EDIT: Różnica w wydajności na Ubuntu 12.04, Python 2.7 pojawia NumPy 1.7.0 - nie wydaje się istnieć użyciu NumPy 1.6 0,2 mimo:
In [5]: %timeit (-s)
10000 loops, best of 3: 26.8 us per loop
In [6]: %timeit np.invert(s)
100000 loops, best of 3: 7.85 us per loop
In [7]: %timeit ~s
10000 loops, best of 3: 27.3 us per loop
Bardzo fajne! Dzięki za testy porównawcze! – blz
@ odpowiedź unutbu jest na miejscu, po prostu chciałem dodać ostrzeżenie, że twoja maska musi być dtype bool, a nie "obiekt". To znaczy, twoja maska nie mogła mieć żadnych nanów. Zobacz here - nawet jeśli twoja maska jest teraz wolna od nan, pozostanie "obiektem".
Odwrotność serii "obiektów" nie spowoduje błędu, zamiast tego pojawi się maska śmieciowa, która nie będzie działać zgodnie z oczekiwaniami.
In[1]: df = pd.DataFrame({'A':[True, False, np.nan], 'B':[True, False, True]})
In[2]: df.dropna(inplace=True)
In[3]: df['A']
Out[3]:
0 True
1 False
Name: A, dtype object
In[4]: ~df['A']
Out[4]:
0 -2
0 -1
Name: A, dtype object
Po rozmowie z kolegami o tym jednym mam wyjaśnienie: To wygląda jak pandy jest powracanie do operatora mnożenie:
In [1]: ~True
Out[1]: -2
Istotne jest to, że dane nie zawierają 'object' typy dla poniższe odpowiedzi do działania, więc użyj: '~ df.astype ('bool')' – LearnOPhile