使用Cython时,我需要将使用Pandas的df1.merge(df2, how='left')转换为纯NumPy代码,但是我发现numpy.lib.recfunctions.join_by(key, r1, r2, jointype='leftouter')不支持key上的任何重复值。有没有解决这个问题的办法?
numpy
左连接处理重复键的方法:import numpy as np
def join_by_left(key, r1, r2, mask=True):
# figure out the dtype of the result array
descr1 = r1.dtype.descr
descr2 = [d for d in r2.dtype.descr if d[0] not in r1.dtype.names]
descrm = descr1 + descr2
# figure out the fields we'll need from each array
f1 = [d[0] for d in descr1]
f2 = [d[0] for d in descr2]
# cache the number of columns in f1
ncol1 = len(f1)
# get a dict of the rows of r2 grouped by key
rows2 = {}
for row2 in r2:
rows2.setdefault(row2[key], []).append(row2)
# figure out how many rows will be in the result
nrowm = 0
for k1 in r1[key]:
if k1 in rows2:
nrowm += len(rows2[k1])
else:
nrowm += 1
# allocate the return array
_ret = np.recarray(nrowm, dtype=descrm)
if mask:
ret = np.ma.array(_ret, mask=True)
else:
ret = _ret
# merge the data into the return array
i = 0
for row1 in r1:
if row1[key] in rows2:
for row2 in rows2[row1[key]]:
ret[i] = tuple(row1[f1]) + tuple(row2[f2])
i += 1
else:
for j in range(ncol1):
ret[i][j] = row1[j]
i += 1
return ret
基本上,它使用一个普通的 dict
来执行实际的连接操作。与 numpy.lib.recfunctions.join_by
类似,这个函数也会返回一个掩码数组。当右侧数组中缺少键时,这些值将在返回数组中被屏蔽。如果您更喜欢记录数组(其中所有缺失数据都设置为0),则只需在调用 join_by_left
时传递 mask=False
。
recfunctions
中的基本思想是定义一个新的dtype,创建适当的“空”数组,并按字段名称复制值。这都是可读的Python代码;没有隐藏的编译代码。如果现有函数无法完成任务(它们没有被广泛使用或测试),请编写自己的函数。 - hpaulj