Iteration Pandas

Le comportement de l'itération de base sur les objets Pandas dépend du type. Lors de l'itération sur une série, elle est équivalente à un tableau. D'autres structures de données (comme DataFrame et Panel) suivent une syntaxe similaire à dict, en itérant sur les clés de l'objet.

En résumé, l'itération de base (for i dans l'objet) produit −

Série − valeur DataFrame − étiquette de colonne Panel − item étiquette

Iteration DataFrame

L'itération d'un DataFrame donne les noms de colonnes. Regardons l'exemple suivant.

　import　pandas　as　pd
　import　numpy　as　np
　　
　N=20
　df　=　pd.DataFrame({
　　　　'A':　pd.date_range(start='2016-01-01',periods=N,freq='D'),
　　　　'x':　np.linspace(0,stop=N-1,num=N),
　　　　'y':　np.random.rand(N),
　　　　'C':　np.random.choice(['Low','Medium','High'],N).tolist(),
　　　　'D':　np.random.normal(100,　10,　size=(N)).tolist()
　　　　})
　for　col　in　df:
　　　　print　col

Son output est le suivant

　　　A
　C
　D
　x
　y

Pour parcourir les lignes d'un DataFrame, nous pouvons utiliser les fonctions suivantes-

iteritems() − Itérer sur les paires (clé, valeur) iterrows() − Parcourir les lignes sous forme de paires (index, série) itertuples() − Parcourir les lignes sous forme de namedtuples

iteritems()

Parcourir chaque colonne en tant que clé, et les paires de valeurs étiquetées en tant que clé, et les valeurs de colonne en tant que série d'objets.

　　import　pandas　as　pd
　　import　numpy　as　np
　　
　　
　　
　df　=　pd.
　　DataFrame(np.
　　random.randn(4,3),columns=[
　　'col1',
　　'col2',
　　'col3'])
　　
　
　　for　key,value
　　　in　df.
　　iteritems():
　　
　　　　print　key,value

Résultat de l'exécution :

col1　0　　　　0.802390
1　　　　0.324060
2　　　　0.256811
3　　　　0.839186
Nom:　col1,　dtype:　float64
col2　0　　　　1.624313
1　　　-1.033582
2　　　　1.796663
3　　　　1.856277
Nom:　col2,　dtype:　float64
col3　0　　　-0.022142
1　　　-0.230820
2　　　　1.160691
3　　　-0.830279
Nom:　col3,　dtype:　float64

On peut voir que chaque colonne est itérée comme un couple clé-valeur dans une série.

iterrows()

iterrows() retourne un itérateur générant chaque valeur d'index et une séquence contenant les données de chaque ligne.

　import　pandas　as　pd
　import　numpy　as　np
　df　=　pd.DataFrame(np.random.randn(4,3),columns　=　['col1','col2','col3'])
　for　row_index,row　in　df.iterrows():
　　　　print　row_index,row

Résultat de l'exécution :

0　　col1　　　　1.529759
　　　col2　　　　0.762811
　　　col3　　　-0.634691
Nom:　0,　dtype:　float64
1　　col1　　　-0.944087
　　　col2　　　　1.420919
　　　col3　　　-0.507895
Nom:　1,　dtype:　float64
　
2　　col1　　　-0.077287
　　　col2　　　-0.858556
　　　col3　　　-0.663385
Nom:　2,　dtype:　float64
3　　col1　　　　-1.638578
　　　col2　　　　　0.059866
　　　col3　　　　　0.493482
Nom:　3,　dtype:　float64

Comme iterrows() parcourt les lignes, le type de données de la ligne ne sera pas conservé. 0,1,2est l'index de ligne, col1，col2，col3est l'index de colonne.

itertuples()

itertuples() méthode retourne un itérateur, générant un tuple nommé pour chaque ligne de DataFrame. Le premier élément du tuple sera la valeur d'index correspondante de la ligne, et les autres valeurs sont les valeurs de la ligne.

　import　pandas　as　pd
　import　numpy　as　np
　df　=　pd.DataFrame(np.random.randn(4,3),columns　=　['col1','col2','col3'])
　for　row　in　df.itertuples():
　　　　　print　row

Résultat de l'exécution :

Pandas(Index=0,　col1=1.5297586201375899,　col2=0.76281127433814944,　col3=-
0.6346908238310438)
Pandas(Index=1,　col1=-0.94408735763808649,　col2=1.4209186418359423,　col3=-
0.50789517967096232)
Pandas(Index=2,　col1=-0.07728664756791935,　col2=-0.85855574139699076,　col3=-
0.6633852507207626)
Pandas(Index=3,　col1=0.65734942534106289,　col2=-0.95057710432604969,
col3=0.80344487462316527)

　import　pandas　as　pd
　import　numpy　as　np
　df　=　pd.DataFrame(np.random.randn(4,3),columns　=　['col1','col2','col3'])
　for　index,　row　in　df.iterrows():
　　　　row['a']　=　10
　print　df

Résultat de l'exécution :

　　　　col1　　　　　　　col2　　　　　　　col3
0　　-1.739815　　　0.735595　　-0.295589
1　　　0.635485　　　0.106803　　　1.527922
2　　-0.939064　　　0.547095　　　0.038585
3　　-1.016509　　-0.116580　　-0.523158

Observation, aucune modification n'a été reflétée.