本文旨在提供一种高效且避免DataFrame碎片化的方法，将包含不同长度子列表的数据以及对应的列名列表整合到现有的Pandas DataFrame中。我们将利用Python的`itertools.zip_longest`函数处理变长数据，并通过巧妙的转置与字典构建，最终使用`pd.concat`将新数据作为列安全地添加到DataFrame，尤其适用于在循环中动态添加大量列的场景。
在数据分析和处理中，我们经常需要将外部数据源（例如来自API响应或动态生成的数据）整合到现有的Pandas DataFrame中。一个常见的挑战是，当这些外部数据以列表形式存在，并且其内部结构（例如子列表的长度）不一致时，如何高效且正确地将其作为新列添加到DataFrame。直接的列表到DataFrame赋值操作有时会导致性能问题，例如PerformanceWarning: DataFrame is highly fragmented。本教程将介绍一种结合itertools.zip_longest和pd.concat的专业方法来解决这一问题。
问题场景分析
假设我们有以下数据：
一个列名列表 list1，例如 [‘col1’, ‘col2’, ‘col3’, ‘col4’]。一个包含变长子列表的数据列表 list2，例如 [[1, 2, 3], [2, 3], [1, 8, 4, 3], [22, 35, 32], [65], [2, 45, 55]]。一个现有的Pandas DataFrame df。
我们的目标是将 list1 中的元素作为新列名，list2 中的数据作为对应的新行数据添加到 df 中，同时处理 list2 中子列表长度不一致的问题，并用默认值（例如0）填充缺失的数据。
直接尝试 df[list1] = pd.DataFrame(list2, index=df.index) 的方法可能导致DataFrame碎片化警告，尤其当在循环中反复执行此操作时，会严重影响性能。这是因为Pandas在每次添加新列时可能需要重新分配内存，而不是高效地在现有内存块上扩展。
解决方案：结合 itertools.zip_longest 和 pd.concat
为了解决上述问题，我们将采用以下策略：
使用 itertools.zip_longest 处理 list2 中的变长子列表，确保所有子列表都被填充到相同的长度。通过巧妙的转置操作，将填充后的数据转换为适合构建新DataFrame的格式。将处理后的数据转换为字典列表，以便Pandas能够正确地将其映射到 list1 中的列名。使用 pd.concat 函数将新生成的DataFrame与原始DataFrame沿列方向合并，这是添加大量列或在循环中添加列时推荐的高效方法。
核心概念：itertools.zip_longest
itertools.zip_longest 是Python标准库中的一个函数，它类似于内置的 zip 函数，但可以处理不同长度的迭代器。当一个迭代器耗尽时，它会用指定的 fillvalue 填充缺失的值，直到最长的迭代器耗尽。
在我们的场景中，list2 包含多个子列表。为了将这些子列表的元素作为新列的数据，我们需要确保每个子列表都具有与 list1 相同的长度。zip_longest 可以帮助我们实现这一点。
详细步骤与代码示例
首先，我们定义初始数据：
import pandas as pdfrom itertools import zip_longest# 原始数据list1 = ['col1', 'col2', 'col3', 'col4']list2 = [[1, 2, 3], [2, 3], [1, 8, 4, 3], [22, 35, 32], [65], [2, 45, 55]]df = pd.DataFrame([ ['Alex', 33, 'Male'], ['Marly', 28, 'Female'], ['Charlie', 30, 'Female'], ['Mimi', 37, 'Female'], ['James', 44, 'Male'], ['Jone', 25, 'Male']], columns=['Name', 'Age', 'Gender'])print("原始DataFrame:")print(df)print("n待添加的列名:", list1)print("待添加的数据 (变长列表):", list2)
接下来是处理 list2 并构建新DataFrame的关键部分：
# 步骤1: 使用 zip_longest 填充并转置 list2# zip_longest(*list2, fillvalue=0) 会将 list2 视为多列进行转置，# 并且用 fillvalue=0 填充较短的“行”（即原始子列表中的元素）。# 例如，如果 list2 是 [[1,2,3], [4,5]]，zip_longest(*list2, fillvalue=0) 会得到 (1,4), (2,5), (3,0)。# 它的输出是按“列”组织的，但我们想要按“行”组织的填充数据。transposed_and_padded = zip_longest(*list2, fillvalue=0)# 步骤2: 再次使用 zip 进行转置，将数据恢复为按行组织的填充子列表# zip(*transposed_and_padded) 将把上面按“列”组织的结果再次转置回来，# 此时每个元素都是一个填充到最长长度的原始子列表。# 例如，如果上一步得到 (1,4), (2,5), (3,0)，这一步会得到 (1,2,3), (4,5,0)。# 确保每个子列表的长度与 list1 的长度（即所需列数）一致。# 在本例中，list1 的长度是4，而 list2 中最长子列表的长度也是4。# 如果 list1 的长度大于 list2 中子列表的最大长度，# 我们还需要额外处理以确保最终字典的键值对数量正确匹配。# 但在这里，list1的长度决定了最终列数，zip_longest已经处理了子列表的内部长度。# 实际上，zip(*zip_longest(*list2, fillvalue=0)) 的结果是：# [(1, 2, 3, 0), (2, 3, 0, 0), (1, 8, 4, 3), (22, 35, 32, 0), (65, 0, 0, 0), (2, 45, 55, 0)]# 这里的每个元组都代表一行数据，且长度与 list1 相同。padded_rows = zip(*transposed_and_padded)# 步骤3: 将填充后的行数据与列名 list1 组合成字典列表# 每个字典代表 DataFrame 的一行，键是列名，值是对应的数据。new_data_dicts = [dict(zip(list1, vals)) for vals in padded_rows]# 步骤4: 创建新的DataFramenew_df_columns = pd.DataFrame(new_data_dicts)# 步骤5: 使用 pd.concat 将新DataFrame与原始DataFrame合并# axis=1 表示按列合并。out_df = pd.concat([df, new_df_columns], axis=1)print("n整合后的DataFrame:")print(out_df)
输出结果:
原始DataFrame: Name Age Gender0 Alex 33 Male1 Marly 28 Female2 Charlie 30 Female3 Mimi 37 Female4 James 44 Male5 Jone 25 Male待添加的列名: ['col1', 'col2', 'col3', 'col4']待添加的数据 (变长列表): [[1, 2, 3], [2, 3], [1, 8, 4, 3], [22, 35, 32], [65], [2, 45, 55]]整合后的DataFrame: Name Age Gender col1 col2 col3 col40 Alex 33 Male 1 2 3 01 Marly 28 Female 2 3 0 02 Charlie 30 Female 1 8 4 33 Mimi 37 Female 22 35 32 04 James 44 Male 65 0 0 05 Jone 25 Male 2 45 55 0
代码解释
zip_longest(*list2, fillvalue=0): 这一步是处理变长子列表的关键。*list2 将 list2 中的每个子列表作为单独的参数传递给 zip_longest。zip_longest 会将这些子列表“垂直”地组合起来，形成元组，并且用 fillvalue=0 填充那些较短子列表的缺失位置。例如，list2[0] (1,2,3) 和 list2[1] (2,3) 会被处理成 (1,2), (2,3), (3,0)。zip(*transposed_and_padded): 由于 zip_longest 第一次转置后是按“列”组织数据的，我们需要再次使用 zip 进行“垂直”转置，将其恢复为按“行”组织的数据。经过这两次转置，list2 中的每个子列表都变成了长度一致的元组，其中不足的长度用 fillvalue 填充。[dict(zip(list1, vals)) for vals in padded_rows]: 这一步遍历 padded_rows 中每个填充后的行数据元组 (vals)。zip(list1, vals) 将列名 (list1 中的元素) 与行数据 (vals 中的元素) 配对，然后 dict() 将这些配对转换为字典。最终得到一个字典列表，每个字典代表新DataFrame的一行。pd.DataFrame(new_data_dicts): 使用这个字典列表创建新的DataFrame，它包含了所有要添加的新列和数据。pd.concat([df, new_df_columns], axis=1): 这是将新列添加到现有DataFrame的最佳实践。pd.concat 在 axis=1 的情况下，会沿着列方向合并两个DataFrame，避免了逐列赋值可能导致的DataFrame碎片化问题，从而提高了性能。
注意事项与最佳实践
fillvalue的选择: zip_longest 的 fillvalue 参数非常重要。对于数值数据，通常选择 0 或 np.nan。对于字符串或混合类型数据，可以考虑 None 或空字符串 ”。选择合适的填充值对于后续的数据分析至关重要。性能优势: 这种方法通过一次性创建新的DataFrame并使用 pd.concat 进行合并，显著优于在循环中逐列赋值或直接将一个可能导致碎片化的DataFrame赋给多列。在处理大数据集或需要频繁更新DataFrame的场景下，性能提升尤为明显。列名与数据匹配: 确保 list1 的长度与 zip(*zip_longest(…)) 结果中每个元组的长度一致。通常，list1 定义了最终的列数，而 zip_longest 确保了数据行的长度与最长子列表的长度一致。如果 list1 的长度大于 list2 中子列表的最大长度，zip(list1, vals) 会自动截断 list1 以匹配 vals 的长度，或者如果 vals 更短，list1 的多余部分会被忽略。为了精确控制，应确保 list1 的长度与 zip_longest 填充后的行长度一致。在我们的例子中，list1 的长度为4，list2 中最长子列表的长度也是4，因此完美匹配。索引对齐: pd.concat 会根据索引进行对齐。在本例中，由于 new_df_columns 是从头创建的，其默认索引将是 0, 1, 2…，这与原始 df 的索引一致，因此合并会很顺利。如果 df 有自定义索引，并且希望新数据也遵循该索引，可以在创建 new_df_columns 时通过 index=df.index 显式指定。
总结
本教程提供了一种健壮且高效的方法，用于将包含变长子列表的数据作为新列添加到Pandas DataFrame中。通过利用 itertools.zip_longest 智能地填充数据，并结合 pd.concat 的高效合并机制，我们不仅解决了数据长度不一致的问题，还避免了DataFrame碎片化带来的性能开销。这种方法尤其适用于需要在循环中动态扩展DataFrame的复杂数据处理场景，是Pandas用户进行高级数据整合的有力工具。
以上就是高效地将变长列表数据整合到Pandas DataFrame的详细内容，更多请关注创想鸟其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/1379759.html
微信扫一扫 
支付宝扫一扫 
