本文为您介绍DataFrame API中的列运算。

列运算

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

为一个Sequence加上一个常量或执行sin函数时,这些操作将作用于Sequence中的每个元素。

NULL相关(isnull,notnull,fillna)

DataFrame API提供了几个和NULL相关的内置函数,例如isnull用于判断某字段是否为NULL,notnull用于判断某字段是否为非NULL,fillna用于将NULL填充为您指定的值。
>>> iris.sepallength.isnull().head(5)
   sepallength
0        False
1        False
2        False
3        False
4        False

逻辑判断(ifelse,switch)

ifelse作用于BOOLEAN类型的字段,当条件成立时,返回第0个参数,否则返回第1个参数。
>>> (iris.sepallength > 5).ifelse('gt5', 'lte5').rename('cmp5').head(5)
   cmp5
0   gt5
1  lte5
2  lte5
3  lte5
4  lte5
switch用于多条件判断的情况。
>>> 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以上版本支持根据条件修改数据集某一列的一部分值,写法如下。
>>> 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

数学运算

对于数字类型的字段,支持加法(+)、减法(-)、乘法(*)和除法(/)等操作,也支持log、sin等数学计算。
>>> (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
算术运算支持如下操作。
算术操作 说明
abs 绝对值
sqrt 平方根
sin
sinh
cos
cosh
tan
tanh
arccos
arccosh
arcsin
arcsinh
arctan
arctanh
exp 指数函数
expm1 指数减1
log 传入参数表示底是几。
log2
log10
log1p log(1+x)
radians 给定角度计算弧度。
degrees 给定弧度计算角度。
ceil 不小于输入值的最小整数。
floor 向下取整,返回比输入值小的整数值。
trunc 将输入值截取到指定小数点位置。
Sequence也支持自身与其它Sequence或Scalar的比较。
>>> (iris.sepallength < 5).head(5)
   sepallength
0        False
1         True
2         True
3         True
4        False
虽然DataFrame API不支持连续操作,例如3 <= iris.sepallength <= 5,但是between函数可以用于判断iris.sepallength是否在某个区间。
>>> (iris.sepallength.between(3, 5)).head(5)
   sepallength
0        False
1         True
2         True
3         True
4         True
默认情况下,between包含两边的区间,如果计算开区间,则需要设置inclusive=False
>>> (iris.sepallength.between(3, 5, inclusive=False)).head(5)
   sepallength
0        False
1         True
2         True
3         True
4        False

STRING相关操作

DataFrame API提供了一系列针对STRING类型的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的相关操作如下。
STRING操作 说明
capitalize
contains 包含某个字符串,如果regex参数为True,则是包含某个正则表达式,默认为True。
count 指定字符串出现的次数。
endswith 以某个字符串结尾。
startswith 以某个字符串开头。
extract 抽取出某个正则表达式,如果group不指定,则返回满足整个pattern的子串;否则,返回第几个group。
find 返回第一次出现的子串位置,若不存在则返回-1。
rfind 从右查找返回子串第一次出现的位置,不存在则返回-1。
replace 将某个pattern的子串全部替换成另一个子串, n参数若指定,则替换n次。
get 返回某个位置上的字符串。
len 返回字符串的长度。
ljust 若未达到指定的width的长度,则在右侧填充fillchar指定的字符串(默认空格)。
rjust 若未达到指定的width的长度,则在左侧填充fillchar指定的字符串(默认空格)。
lower 变为全部小写。
upper 变为全部大写。
lstrip 在左侧删除空格(包括空行符)。
rstrip 在右侧删除空格(包括空行符)。
strip 在左右两侧删除空格(包括空行符)。
split 将字符串按分隔符拆分为若干个字符串(返回 list<string>类型)。
pad 在指定的位置(left,right或者both)用指定填充字符(用fillchar指定,默认空格)来对齐。
repeat 重复指定n次。
slice 切片操作。
swapcase 对调大小写。
title str.title
zfill 长度没达到指定width,则左侧填充0。
isalnum str.isalnum
isalpha str.isalpha
isdigit 是否都是数字,同str.isdigit
isspace 是否都是空格,同str.isspace
islower 是否都是小写,同str.islower
isupper 是否都是大写,同str.isupper
istitle str.istitle
isnumeric str.isnumeric
isdecimal str.isdecimal
todict 将字符串按分隔符拆分为一个Dict,传入的两个参数分别为项目分隔符和Key-Value分隔符(返回dict<string, string>类型)。
strptime

格式化时间,时间格式和Python标准库相同,详情请参见 Python 时间格式化

时间相关操作

对于DATETIME类型Sequence或者Scalar,可以调用时间相关的内置函数。
>>> 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
与时间相关的属性如下。
时间相关属性 说明
year
month
day
hour
minute
second
weekofyear 返回日期位于那一年的第几周。周一作为一周的第一天。
weekday 返回日期当前周的第几天。
dayofweek 返回日期当前周的第几天。
strftime

格式化时间,时间格式和Python标准库相同,详请请参见 Python 时间格式化

PyODPS也支持时间的加减操作,例如可以通过以下方法得到前3天的日期。两个日期列相减得到相差的毫秒数。

>>> 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
支持的时间类型如下表所示。
属性 说明
year
month
day
hour
minute
second
millisecond

集合类型相关操作

PyODPS支持的集合类型有List和Dict。这两个类型都可以使用下标获取集合中的某个项目。len方法用于获得集合的大小。

同时,两种集合均有explode方法,用于展开集合中的内容。对于List,explode默认返回一列,当传入参数pos时, 将返回两列,其中一列为值在数组中的编号(类似Python的enumerate函数)。对于Dict,explode会返回两列, 分别表示keys及values。explode中也可以传入列名,作为最后生成的列。

示例如下。

>>> 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也可以和并列多行输出结合,以将原有列和explode的结果相结合,示例如下。

>>> 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
除了下标lenexplode两个共有方法以外,List还支持下列方法。
List 操作 说明
contains(v) 列表是否包含某个元素。
sort 返回排序后的列表(返回值为List)。
Dict还支持下列方法。
dict操作 说明
keys 获取Dict keys(返回值为List)。
values 获取Dict values(返回值为List)。

其它元素操作(isin,notin,cut)

isin用于判断Sequence里的元素是否在某个集合元素里,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提供离散化的操作,可以将Sequence的数据拆成几个区段。

>>> 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可以分别包括向下和向上的区间。

>>> 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

调用MaxCompute内建或者已定义函数

如果您需要调用MaxCompute上的内建或者已定义函数来生成列,您可以使用func接口,该接口默认函数返回值为STRING,可以用rtype参数指定返回值。
>>> 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]
>>> # 调用ODPS上定义的UDF,列名无法确定时需要手动指定。
>>> iris[iris.name, func.your_udf(iris.sepalwidth, iris.sepallength, rtype='float').rename('new_col')]
>>> # 从其它Project调用UDF,也可通过name参数指定列名。
>>> iris[iris.name, func.your_udf(iris.sepalwidth, iris.sepallength, rtype='float', project='udf_project', name='new_col')]
说明 Pandas后端不支持执行带有func的表达式。