Дан фрейм данных polars с пустыми списками в значениях столбца. Как я могу заменить их на pl.Null
или None
, чтобы считать их пропущенными значениями?
ine_items contacts
list[null] list[str]
[] []
[] []
[] ["1081"]
[] ["1313"]
[] ["3657"]
df.with_columns(
pl.when(pl.col(pl.List(pl.Null))
.then(None)
.otherwise(pl.col(pl.List()))
.keep_name()
)
Кажется, я не могу нацелить содержимое [] с помощью селектора when(), и я не уверен, что блок otherwise
может сохранить исходное значение, если список не пуст (например, ['1246'])
Как упомянул @Dean MacGregor, вы можете сделать это с помощью .arr.lenghts()==0.
Вот код для него:
import polars as pl
# example dataframe
df = pl.DataFrame({
'contacts' : [[],[], ['1081'],['1313'],['3657']],
'line_items' : [[],[],[],[],[]]
}, schema=[('contacts',pl.List(pl.Utf8)), ('line_items',pl.List(pl.Utf8))]
)
shape: (5, 2)
┌───────────┬────────────┐
│ contacts ┆ line_items │
│ --- ┆ --- │
│ list[str] ┆ list[str] │
╞═══════════╪════════════╡
│ [] ┆ [] │
│ [] ┆ [] │
│ ["1081"] ┆ [] │
│ ["1313"] ┆ [] │
│ ["3657"] ┆ [] │
└───────────┴────────────┘
# transformation for 1 column
df.with_columns(
pl.when(pl.col('contacts').arr.lengths() == 0)
.then(None)
.otherwise(pl.col('contacts')).keep_name(),
)
shape: (5, 2)
┌───────────┬────────────┐
│ contacts ┆ line_items │
│ --- ┆ --- │
│ list[str] ┆ list[str] │
╞═══════════╪════════════╡
│ null ┆ [] │
│ null ┆ [] │
│ ["1081"] ┆ [] │
│ ["1313"] ┆ [] │
│ ["3657"] ┆ [] │
└───────────┴────────────┘
# EDIT: added transformation for all columns of datatype List(Str)
df.with_columns(
pl.when(
pl.col(column.name).arr.lengths() == 0)
.then(None)
.otherwise(pl.col(column.name))
.keep_name()
for column in df if column.dtype == pl.List(pl.Utf8)
)
shape: (5, 2)
┌───────────┬────────────┐
│ contacts ┆ line_items │
│ --- ┆ --- │
│ list[str] ┆ list[str] │
╞═══════════╪════════════╡
│ null ┆ null │
│ null ┆ null │
│ ["1081"] ┆ null │
│ ["1313"] ┆ null │
│ ["3657"] ┆ null │
└───────────┴────────────┘
Спасибо @luca, все работает гладко. Есть ли способ сделать это имя столбца независимым? Вот почему я экспериментировал с полярными типами данных, чтобы не указывать имена столбцов.
Привет, @Valentine, я добавил пример преобразования на основе типа столбца, а не имени столбца. Таким образом, вы можете запускать его независимо от имен столбцов. Я также заменил alias() на keep_name() для простоты.
Я бы использовал df.schema
вместо доступа ко всему df в вашем понимании генератора. т.е. pl.when(pl.col(colname).arr.lengths() == 0).then(None).otherwise(pl.col(colname)).keep_name() for colname in [coltuple[0] for coltuple in df.schema.items() if coltuple[1] == pl.List(pl.Utf8)]
На самом деле вы можете сократить его до просто df.with_columns( pl.when( pl.col(colname).arr.lengths() > 0) .then(pl.col(colname)) for colname in [coltuple[0] for coltuple in df.schema.items() if coltuple[1] == pl.List(pl.Utf8)] )
Кроме того, хорошо ставить разрывы строк там, где длинный код в противном случае вызывал бы правую/левую полосу прокрутки. Я редактировал разрывы строк, но не редактировал код.
Привет, @DeanMacGregor, спасибо за добавление df.schema. Я предполагаю, что преимущество этого заключается в скорости и в том, что доступ к df не осуществляется с пониманием списка?
@Luca, когда вы перебираете df, он получает доступ ко всему столбцу. Например, for i in df: print(i)
представляет каждый столбец как серию. Может быть, я ошибаюсь, и внутри он делает одно и то же в любом случае, я не уверен.
@DeanMacGregor: я только что сделал 3 теста скорости, используя df со 100 миллионами: тест 1 - используйте arr.lengths() == 0 и выполните цикл через df => 5,6 секунды +- 527 мс Тест 2 - используйте arr.lengths() > 0 и зацикливание df.schema => 5,6 секунды +- 561 мс Тест 3 - используйте arr.lengths() > 0 и зацикливание df => 5,6 секунды +- 526 мс Таким образом, кажется, нет увеличения времени для зацикливания df. Но может есть накладные расходы, просто мои маленькие тесты этого не показывают? Я изменю код на> 0 в соответствии с вашим предложением, он короче
да, подход > 0 просто для того, чтобы сделать код короче, я не подозревал, что это будет более производительно. Полезно знать о схеме df vs df.schema. Спасибо, что приложили усилия.
Все pl.List, pl.Float, pl.Int и все, что начинается с заглавной буквы, являются типами данных. То, что вы ищете, это
.arr.lengths()==0