使用定制距离函数从 Pandas Dataframe 创建距离矩阵
Create a distance matrix from Pandas Dataframe using a bespoke distance function
我有一个包含两列的 Pandas 数据框,“id”(唯一标识符)和“日期”,如下所示:
test_df.head()
id date
0 N1 2020-01-31
1 N2 2020-02-28
2 N3 2020-03-10
我创建了一个自定义 Python 函数,给定两个日期字符串,它将计算这些日期之间的绝对天数(使用给定的日期格式字符串,例如 %Y-%m-%d) ,如下:
def days_distance(date_1, date_1_format, date_2, date_2_format):
"""Calculate the number of days between two given string dates
Args:
date_1 (str): First date
date_1_format (str): The format of the first date
date_2 (str): Second date
date_2_format (str): The format of the second date
Returns:
The absolute number of days between date1 and date2
"""
date1 = datetime.strptime(date_1, date_1_format)
date2 = datetime.strptime(date_2, date_2_format)
return abs((date2 - date1).days)
我想创建一个距离矩阵,用于计算所有 ID 对之间的天数。使用上面的 test_df
示例,最终的时间距离矩阵应如下所示:
N1 N2 N3
N1 0 28 39
N2 28 0 11
N3 39 11 0
我正在努力寻找一种使用定制距离函数计算距离矩阵的方法,例如我上面的 days_distance()
函数,而不是 SciPy 提供的标准距离度量.
有什么建议吗?
让我们尝试pdist
+ squareform
创建一个方距离矩阵来表示日期时间对象之间的成对差异,最后从这个方矩阵创建一个新的数据帧:
from scipy.spatial.distance import pdist, squareform
i, d = test_df['id'].values, pd.to_datetime(test_df['date'])
df = pd.DataFrame(squareform(pdist(d[:, None])), dtype='timedelta64[ns]', index=i, columns=i)
或者,您也可以使用 numpy
广播计算距离矩阵:
i, d = test_df['id'].values, pd.to_datetime(test_df['date']).values
df = pd.DataFrame(np.abs(d[:, None] - d), index=i, columns=i)
N1 N2 N3
N1 0 days 28 days 39 days
N2 28 days 0 days 11 days
N3 39 days 11 days 0 days
您可以将日期列转换为日期时间格式。然后从该列创建 numpy 数组。然后创建一个矩阵,该矩阵重复 3 次。然后减去矩阵及其转置。然后将结果转换为dataframe
import pandas as pd
import numpy as np
from datetime import datetime
test_df = pd.DataFrame({'ID': ['N1', 'N2', 'N3'],
'date': ['2020-01-31', '2020-02-28', '2020-03-10']})
test_df['date_datetime'] = test_df.date.apply(lambda x : datetime.strptime(x, '%Y-%m-%d'))
date_array = np.array(test_df.date_datetime)
date_matrix = np.tile(date_array, (3,1))
date_diff_matrix = np.abs((date_matrix.T - date_matrix))
date_diff = pd.DataFrame(date_diff_matrix)
date_diff.columns = test_df.ID
date_diff.index = test_df.ID
>>> ID N1 N2 N3
ID
N1 0 days 28 days 39 days
N2 28 days 0 days 11 days
N3 39 days 11 days 0 days
我有一个包含两列的 Pandas 数据框,“id”(唯一标识符)和“日期”,如下所示:
test_df.head()
id date
0 N1 2020-01-31
1 N2 2020-02-28
2 N3 2020-03-10
我创建了一个自定义 Python 函数,给定两个日期字符串,它将计算这些日期之间的绝对天数(使用给定的日期格式字符串,例如 %Y-%m-%d) ,如下:
def days_distance(date_1, date_1_format, date_2, date_2_format):
"""Calculate the number of days between two given string dates
Args:
date_1 (str): First date
date_1_format (str): The format of the first date
date_2 (str): Second date
date_2_format (str): The format of the second date
Returns:
The absolute number of days between date1 and date2
"""
date1 = datetime.strptime(date_1, date_1_format)
date2 = datetime.strptime(date_2, date_2_format)
return abs((date2 - date1).days)
我想创建一个距离矩阵,用于计算所有 ID 对之间的天数。使用上面的 test_df
示例,最终的时间距离矩阵应如下所示:
N1 N2 N3
N1 0 28 39
N2 28 0 11
N3 39 11 0
我正在努力寻找一种使用定制距离函数计算距离矩阵的方法,例如我上面的 days_distance()
函数,而不是 SciPy 提供的标准距离度量.
有什么建议吗?
让我们尝试pdist
+ squareform
创建一个方距离矩阵来表示日期时间对象之间的成对差异,最后从这个方矩阵创建一个新的数据帧:
from scipy.spatial.distance import pdist, squareform
i, d = test_df['id'].values, pd.to_datetime(test_df['date'])
df = pd.DataFrame(squareform(pdist(d[:, None])), dtype='timedelta64[ns]', index=i, columns=i)
或者,您也可以使用 numpy
广播计算距离矩阵:
i, d = test_df['id'].values, pd.to_datetime(test_df['date']).values
df = pd.DataFrame(np.abs(d[:, None] - d), index=i, columns=i)
N1 N2 N3
N1 0 days 28 days 39 days
N2 28 days 0 days 11 days
N3 39 days 11 days 0 days
您可以将日期列转换为日期时间格式。然后从该列创建 numpy 数组。然后创建一个矩阵,该矩阵重复 3 次。然后减去矩阵及其转置。然后将结果转换为dataframe
import pandas as pd
import numpy as np
from datetime import datetime
test_df = pd.DataFrame({'ID': ['N1', 'N2', 'N3'],
'date': ['2020-01-31', '2020-02-28', '2020-03-10']})
test_df['date_datetime'] = test_df.date.apply(lambda x : datetime.strptime(x, '%Y-%m-%d'))
date_array = np.array(test_df.date_datetime)
date_matrix = np.tile(date_array, (3,1))
date_diff_matrix = np.abs((date_matrix.T - date_matrix))
date_diff = pd.DataFrame(date_diff_matrix)
date_diff.columns = test_df.ID
date_diff.index = test_df.ID
>>> ID N1 N2 N3
ID
N1 0 days 28 days 39 days
N2 28 days 0 days 11 days
N3 39 days 11 days 0 days