比较不同列的字符串长度数据框

Question

我正在尝试获取不同列的字符串长度。看起来很简单：

df['a'].str.len()

但我需要将它应用于多个列。然后得到最小值就可以了。

类似于：

df[['a','b','c']].str.len().min

我知道上面的方法行不通，但希望你明白了。 a、b、c 列都包含名称，我想检索最短的名称。

另外，由于数据量巨大，我避免创建其他列以节省大小。

Answer 1

我认为您需要列表理解，因为 string 函数仅适用于 Series (column):

print ([df[col].str.len().min() for col in ['a','b','c']])

apply的另一个解决方案：

print ([df[col].apply(len).min() for col in ['a','b','c']])

样本：

df = pd.DataFrame({'a':['h','gg','yyy'],
                   'b':['st','dsws','sw'],
                   'c':['fffff','','rr'],
                   'd':[1,3,5]})

print (df)

     a     b      c  d
0    h    st  fffff  1
1   gg  dsws         3
2  yyy    sw     rr  5

print ([df[col].str.len().min() for col in ['a','b','c']])
[1, 2, 0]

时间:

#[3000 rows x 4 columns]
df = pd.concat([df]*1000).reset_index(drop=True)

In [17]: %timeit ([df[col].apply(len).min() for col in ['a','b','c']])
100 loops, best of 3: 2.63 ms per loop

In [18]: %timeit ([df[col].str.len().min() for col in ['a','b','c']])
The slowest run took 4.12 times longer than the fastest. This could mean that an intermediate result is being cached.
100 loops, best of 3: 2.88 ms per loop

结论:

apply 更快，但不适用于 None.

df = pd.DataFrame({'a':['h','gg','yyy'],
                   'b':[None,'dsws','sw'],
                   'c':['fffff','','rr'],
                   'd':[1,3,5]})


print (df)
     a     b      c  d
0    h  None  fffff  1
1   gg  dsws         3
2  yyy    sw     rr  5

print ([df[col].apply(len).min() for col in ['a','b','c']])

TypeError: object of type 'NoneType' has no len()

print ([df[col].str.len().min() for col in ['a','b','c']])
[1, 2.0, 0]

通过评论编辑：

#fail with None
print (df[['a','b','c']].applymap(len).min(axis=1))
0    1
1    0
2    2
dtype: int64

#working with None
print (df[['a','b','c']].apply(lambda x: x.str.len().min(), axis=1))
0    1
1    0
2    2
dtype: int64

比较不同列的字符串长度数据框

Comparing a dataframe on string lengths for different columns

python

min

string-length

dataframe

pandas