全部產品
Search
文件中心

:列運算

更新時間:Jun 19, 2024

本文為您介紹DataFrame API中的列運算。

列運算

from odps.df import DataFrame
iris = DataFrame(o.get_table('pyodps_iris'))
lens = DataFrame(o.get_table('pyodps_ml_100k_lens'))

為一個Sequence加上一個常量或執行sin函數時,這些操作將作用於Sequence中的每個元素。

NULL相關(isnull,notnull,fillna)

DataFrame API提供了幾個和NULL相關的內建函數,例如isnull用於判斷某欄位是否為NULL,notnull用於判斷某欄位是否為非NULL,fillna用於將NULL填充為您指定的值。
>>> iris.sepallength.isnull().head(5)
   sepallength
0        False
1        False
2        False
3        False
4        False

邏輯判斷(ifelse,switch)

ifelse作用於BOOLEAN類型的欄位,當條件成立時,返回第0個參數,否則返回第1個參數。
>>> (iris.sepallength > 5).ifelse('gt5', 'lte5').rename('cmp5').head(5)
   cmp5
0   gt5
1  lte5
2  lte5
3  lte5
4  lte5
switch用於多條件判斷的情況。
>>> iris.sepallength.switch(4.9, 'eq4.9', 5.0, 'eq5.0', default='noeq').rename('equalness').head(5)
   equalness
0       noeq
1      eq4.9
2       noeq
3       noeq
4      eq5.0
>>> from odps.df import switch
>>> switch(iris.sepallength == 4.9, 'eq4.9', iris.sepallength == 5.0, 'eq5.0', default='noeq').rename('equalness').head(5)
   equalness
0       noeq
1      eq4.9
2       noeq
3       noeq
4      eq5.0
PyODPS 0.7.8以上版本支援根據條件修改資料集某一列的一部分值,寫法如下。
>>> iris[iris.sepallength > 5, 'cmp5'] = 'gt5'
>>> iris[iris.sepallength <= 5, 'cmp5'] = 'lte5'
>>> iris.head(5)
   cmp5
0   gt5
1  lte5
2  lte5
3  lte5
4  lte5

數學運算

對於數字類型的欄位,支援加法(+)、減法(-)、乘法(*)和除法(/)等操作,也支援log、sin等數學計算。
>>> (iris.sepallength * 10).log().head(5)
   sepallength
0     3.931826
1     3.891820
2     3.850148
3     3.828641
4     3.912023
>>> fields = [iris.sepallength,
>>>           (iris.sepallength / 2).rename('sepallength除以2'),
>>>           (iris.sepallength ** 2).rename('sepallength的平方')]
>>> iris[fields].head(5)
   sepallength  sepallength除以2  sepallength的平方
0          5.1              2.55             26.01
1          4.9              2.45             24.01
2          4.7              2.35             22.09
3          4.6              2.30             21.16
4          5.0              2.50             25.00
算術運算支援如下操作。
算術操作 說明
abs 絕對值
sqrt 平方根
sin
sinh
cos
cosh
tan
tanh
arccos
arccosh
arcsin
arcsinh
arctan
arctanh
exp 指數函數
expm1 指數減1
log 傳入參數表示底是幾。
log2
log10
log1p log(1+x)
radians 給定角度計算弧度。
degrees 給定弧度計算角度。
ceil 不小於輸入值的最小整數。
floor 向下取整,返回比輸入值小的整數值。
trunc 將輸入值截取到指定小數點位置。
Sequence也支援自身與其它Sequence或Scalar的比較。
>>> (iris.sepallength < 5).head(5)
   sepallength
0        False
1         True
2         True
3         True
4        False
雖然DataFrame API不支援連續操作,例如3 <= iris.sepallength <= 5,但是between函數可以用於判斷iris.sepallength是否在某個區間。
>>> (iris.sepallength.between(3, 5)).head(5)
   sepallength
0        False
1         True
2         True
3         True
4         True
預設情況下,between包含兩邊的區間,如果計算開區間,則需要設定inclusive=False
>>> (iris.sepallength.between(3, 5, inclusive=False)).head(5)
   sepallength
0        False
1         True
2         True
3         True
4        False

STRING相關操作

DataFrame API提供了一系列針對STRING類型的Sequence或者Scalar的操作。
>>> fields = [
>>>     iris.name.upper().rename('upper_name'),
>>>     iris.name.extract('Iris(.*)', group=1)
>>> ]
>>> iris[fields].head(5)
    upper_name     name
0  IRIS-SETOSA  -setosa
1  IRIS-SETOSA  -setosa
2  IRIS-SETOSA  -setosa
3  IRIS-SETOSA  -setosa
4  IRIS-SETOSA  -setosa
STRING的相關操作如下。
STRING操作 說明
capitalize
contains 包含某個字串,如果regex參數為True,則是包含某個Regex,預設為True。
count 指定字串出現的次數。
endswith 以某個字串結尾。
startswith 以某個字串開頭。
extract 抽取出某個Regex,如果group不指定,則返回滿足整個pattern的子串;否則,返回第幾個group。
find 返回第一次出現的子串位置,若不存在則返回-1。
rfind 從右尋找返回子串第一次出現的位置,不存在則返回-1。
replace 將某個pattern的子串全部替換成另一個子串, n參數若指定,則替換n次。
get 返回某個位置上的字串。
len 返回字串的長度。
ljust 若未達到指定的width的長度,則在右側填充fillchar指定的字串(預設空格)。
rjust 若未達到指定的width的長度,則在左側填充fillchar指定的字串(預設空格)。
lower 變為全部小寫。
upper 變為全部大寫。
lstrip 在左側刪除空格(包括空行符)。
rstrip 在右側刪除空格(包括空行符)。
strip 在左右兩側刪除空格(包括空行符)。
split 將字串按分隔字元拆分為若干個字串(返回 list<string>類型)。
pad 在指定的位置(left,right或者both)用指定填充字元(用fillchar指定,預設空格)來對齊。
repeat 重複指定n次。
slice 切片操作。
swapcase 對調大小寫。
title str.title
zfill 長度沒達到指定width,則左側填充0。
isalnum str.isalnum
isalpha str.isalpha
isdigit 是否都是數字,同str.isdigit
isspace 是否都是空格,同str.isspace
islower 是否都是小寫,同str.islower
isupper 是否都是大寫,同str.isupper
istitle str.istitle
isnumeric str.isnumeric
isdecimal str.isdecimal
todict 將字串按分隔字元拆分為一個Dict,傳入的兩個參數分別為專案分隔字元和Key-Value分隔字元(返回dict<string, string>類型)。
strptime

格式化時間,時間格式和Python標準庫相同,詳情請參見 Python 時間格式化

時間相關操作

對於DATETIME類型Sequence或者Scalar,可以調用時間相關的內建函數。
>>> df = lens[[lens.unix_timestamp.astype('datetime').rename('dt')]]
>>> df[df.dt,
>>>    df.dt.year.rename('year'),
>>>    df.dt.month.rename('month'),
>>>    df.dt.day.rename('day'),
>>>    df.dt.hour.rename('hour')].head(5)
                    dt  year  month  day  hour
0  1998-04-08 11:02:00  1998      4    8    11
1  1998-04-08 10:57:55  1998      4    8    10
2  1998-04-08 10:45:26  1998      4    8    10
3  1998-04-08 10:25:52  1998      4    8    10
4  1998-04-08 10:44:19  1998      4    8    10
與時間相關的屬性如下。
時間相關屬性 說明
year
month
day
hour
minute
second
weekofyear 返回日期位於那一年的第幾周。周一作為一周的第一天。
weekday 返回日期當前周的第幾天。
dayofweek 返回日期當前周的第幾天。
strftime

格式化時間,時間格式和Python 標準庫相同,詳情請參見 Python 時間格式化

PyODPS也支援時間的加減操作,例如可以通過以下方法得到前3天的日期。兩個日期列相減得到相差的毫秒數。

>>> df
                           a                          b
0 2016-12-06 16:43:12.460001 2016-12-06 17:43:12.460018
1 2016-12-06 16:43:12.460012 2016-12-06 17:43:12.460021
2 2016-12-06 16:43:12.460015 2016-12-06 17:43:12.460022
>>> from odps.df import day
>>> df.a - day(3)
                           a
0 2016-12-03 16:43:12.460001
1 2016-12-03 16:43:12.460012
2 2016-12-03 16:43:12.460015
>>> (df.b - df.a).dtype
int64
>>> (df.b - df.a).rename('a')
         a
0  3600000
1  3600000
2  3600000
支援的時間類型如下表所示。
屬性 說明
year
month
day
hour
minute
second
millisecond

集合類型相關操作

PyODPS支援的集合類型有List和Dict。這兩個類型都可以使用下標擷取集合中的某個專案。len方法用於獲得集合的大小。

同時,兩種集合均有explode方法,用於展開集合中的內容。對於List,explode預設返回一列,當傳入參數pos時, 將返回兩列,其中一列為值在數組中的編號(類似Python的enumerate函數)。對於Dict,explode會返回兩列, 分別表示keys及values。explode中也可以傳入列名,作為最後產生的列。

樣本如下。

>>> df
   id         a                            b
0   1  [a1, b1]  {'a2': 0, 'b2': 1, 'c2': 2}
1   2      [c1]           {'d2': 3, 'e2': 4}
>>> df[df.id, df.a[0], df.b['b2']]
   id   a    b
0   1  a1    1
1   2  c1  NaN
>>> df[df.id, df.a.len(), df.b.len()]
   id  a  b
0   1  2  3
1   2  1  2
>>> df.a.explode()
    a
0  a1
1  b1
2  c1
>>> df.a.explode(pos=True)
   a_pos   a
0      0  a1
1      1  b1
2      0  c1
>>> # 指定列名。
>>> df.a.explode(['pos', 'value'], pos=True)
   pos value
0    0    a1
1    1    b1
2    0    c1
>>> df.b.explode()
  b_key  b_value
0    a2        0
1    b2        1
2    c2        2
3    d2        3
4    e2        4
>>> # 指定列名。
>>> df.b.explode(['key', 'value'])
  key  value
0  a2      0
1  b2      1
2  c2      2
3  d2      3
4  e2      4

explode也可以和並列多行輸出結合,以將原有列和explode的結果相結合,樣本如下。

>>> df[df.id, df.a.explode()]
   id   a
0   1  a1
1   1  b1
2   2  c1
>>> df[df.id, df.a.explode(), df.b.explode()]
   id   a b_key  b_value
0   1  a1    a2        0
1   1  a1    b2        1
2   1  a1    c2        2
3   1  b1    a2        0
4   1  b1    b2        1
5   1  b1    c2        2
6   2  c1    d2        3
7   2  c1    e2        4
除了下標lenexplode兩個共有方法以外,List還支援下列方法。
List 操作 說明
contains(v) 列表是否包含某個元素。
sort 返回排序後的列表(傳回值為List)。
Dict還支援下列方法。
dict操作 說明
keys 擷取Dict keys(傳回值為List)。
values 擷取Dict values(傳回值為List)。

其它元素操作(isin,notin,cut)

isin用於判斷Sequence裡的元素是否在某個集合元素裡,notin反之。
>>> iris.sepallength.isin([4.9, 5.1]).rename('sepallength').head(5)
   sepallength
0         True
1         True
2        False
3        False
4        False

cut提供離散化的操作,可以將Sequence的資料拆成幾個區段。

>>> iris.sepallength.cut(range(6), labels=['0-1', '1-2', '2-3', '3-4', '4-5']).rename('sepallength_cut').head(5)
   sepallength_cut
0             None
1              4-5
2              4-5
3              4-5
4              4-5

include_underinclude_over可以分別包括向下和向上的區間。

>>> labels = ['0-1', '1-2', '2-3', '3-4', '4-5', '5-']
>>> iris.sepallength.cut(range(6), labels=labels, include_over=True).rename('sepallength_cut').head(5)
   sepallength_cut
0               5-
1              4-5
2              4-5
3              4-5
4              4-5

調用MaxCompute內建或者已定義函數

如果您需要調用MaxCompute上的內建或者已定義函數來產生列,您可以使用func介面,該介面預設函數傳回值為STRING,可以用rtype參數指定傳回值。
>>> from odps.df import func
>>>
>>> iris[iris.name, func.rand(rtype='float').rename('rand')][:4]
>>> iris[iris.name, func.rand(10, rtype='float').rename('rand')][:4]
>>> # 調用ODPS上定義的UDF,列名無法確定時需要手動指定。
>>> iris[iris.name, func.your_udf(iris.sepalwidth, iris.sepallength, rtype='float').rename('new_col')]
>>> # 從其它Project調用UDF,也可通過name參數指定列名。
>>> iris[iris.name, func.your_udf(iris.sepalwidth, iris.sepallength, rtype='float', project='udf_project', name='new_col')]
說明 Pandas後端不支援執行帶有func的運算式。