Comparison with R / R libraries

原文：http://pandas.pydata.org/pandas-docs/stable/comparison_with_r.html

译者：飞龙 UsyiyiCN

校对：（虚位以待）

由于pandas旨在提供许多人们使用R的数据操作和分析功能，因此该页面开始提供更详细的R语言及其许多第三方库，因为它们与pandas相关。在与R和CRAN库进行比较时，我们关心以下事项：

此页面也提供了一些翻译指南给这些R包的用户。

对于将DataFrame对象从pandas传输到R，一个选项是使用HDF5文件，请参见External Compatibility

Quick Reference

我们将从一个快速参考指南开始，使用dplyr与一些常见的R操作配对Pandas等效。

Querying, Filtering, Sampling

R 熊猫
dim(df) df.shape
head(df) df.head()
slice（df， 1:10） df.iloc[:9]
过滤器（df， col1 == 1， col2 == 1） df.query('col1 == 1 & col2 == 1')
df [df $ col1 == 1 ＆amp； df $ col2 t5 > == 1，] df [（df.col1 == 1） ＆amp； （df.col2 == 1）]
select（df， col1， col2） df [['col1'， 'col2']]
select（df， col1：col3） df.loc [：， 'col1'：'col3']
select（df， - （col1：col3）） df.drop（cols_to_drop， axis = 1）但参见[1]
distinct（select（df， col1）） df[['col1']].drop_duplicates()
distinct（select（df， col1， col2）） df [['col1'， 'col2']] drop_duplicates()
sample_n（df， 10） df.sample(n=10)
sample_frac（df， 0.01） df.sample(frac=0.01)
[1]R的列的子范围（select（df， col1：col3））的简写可以在pandas干净地接近，如果你有列表的列，例如df[cols[1:3]]或df.drop(cols[1:3])乱。

Sorting

R 熊猫
arrange（df， col1， col2） df.sort_values（['col1'， 'col2']）
arrange（df， desc（col1）） df.sort_values（'col1'， ascending = False）

Transforming

R 熊猫
select（df， col_one = col1） df.rename（columns = {'col1'： 'col_one'}）['col_one']
rename（df， col_one = col1） df.rename（columns = {'col1'： 'col_one'}）
mutate（df， c = a-b） df.assign(c=df.a-df.b)

Grouping and Summarizing

R 熊猫
summary(df) df.describe()
gdf ​​ group_by（df， col1） gdf ​​ = df.groupby（'col1'）
summarize（gdf， avg = mean（col1， na.rm = TRUE）） df.groupby（'col1'）。agg（{'col1'： 'mean'}）
summarize（gdf， total = sum（col1）） df.groupby('col1').sum()

Base R

Slicing with R’s c

R可以方便地按名称访问data.frame列

df <- data.frame(a=rnorm(5), b=rnorm(5), c=rnorm(5), d=rnorm(5), e=rnorm(5))
df[, c("a", "c", "e")]

或通过整数位置

df <- data.frame(matrix(rnorm(1000), ncol=100))
df[, c(1:10, 25:30, 40, 50:100)]

在pandas中按名称选择多个列很简单

In [1]: df = pd.DataFrame(np.random.randn(10, 3), columns=list('abc'))

In [2]: df[['a', 'c']]
Out[2]: 
          a         c
0 -1.039575 -0.424972
1  0.567020 -1.087401
2 -0.673690 -1.478427
3  0.524988  0.577046
4 -1.715002 -0.370647
5 -1.157892  0.844885
6  1.075770  1.643563
7 -1.469388 -0.674600
8 -1.776904 -1.294524
9  0.413738 -0.472035

In [3]: df.loc[:, ['a', 'c']]
Out[3]: 
          a         c
0 -1.039575 -0.424972
1  0.567020 -1.087401
2 -0.673690 -1.478427
3  0.524988  0.577046
4 -1.715002 -0.370647
5 -1.157892  0.844885
6  1.075770  1.643563
7 -1.469388 -0.674600
8 -1.776904 -1.294524
9  0.413738 -0.472035

通过整数位置选择多个非连续列可以通过iloc索引器属性和numpy.r_的组合来实现。

In [4]: named = list('abcdefg')

In [5]: n = 30

In [6]: columns = named + np.arange(len(named), n).tolist()

In [7]: df = pd.DataFrame(np.random.randn(n, n), columns=columns)

In [8]: df.iloc[:, np.r_[:10, 24:30]]
Out[8]: 
           a         b         c         d         e         f         g  \
0  -0.013960 -0.362543 -0.006154 -0.923061  0.895717  0.805244 -1.206412   
1   0.545952 -1.219217 -1.226825  0.769804 -1.281247 -0.727707 -0.121306   
2   2.396780  0.014871  3.357427 -0.317441 -1.236269  0.896171 -0.487602   
3  -0.988387  0.094055  1.262731  1.289997  0.082423 -0.055758  0.536580   
4  -1.340896  1.846883 -1.328865  1.682706 -1.717693  0.888782  0.228440   
5   0.464000  0.227371 -0.496922  0.306389 -2.290613 -1.134623 -1.561819   
6  -0.507516 -0.230096  0.394500 -1.934370 -1.652499  1.488753 -0.896484   
..       ...       ...       ...       ...       ...       ...       ...   
23 -0.083272 -0.273955 -0.772369 -1.242807 -0.386336 -0.182486  0.164816   
24  2.071413 -1.364763  1.122066  0.066847  1.751987  0.419071 -1.118283   
25  0.036609  0.359986  1.211905  0.850427  1.554957 -0.888463 -1.508808   
26 -1.179240  0.238923  1.756671 -0.747571  0.543625 -0.159609 -0.051458   
27  0.025645  0.932436 -1.694531 -0.182236 -1.072710  0.466764 -0.072673   
28  0.439086  0.812684 -0.128932 -0.142506 -1.137207  0.462001 -0.159466   
29 -0.909806 -0.312006  0.383630 -0.631606  1.321415 -0.004799 -2.008210   

           7         8         9        24        25        26        27  \
0   2.565646  1.431256  1.340309  0.875906 -2.211372  0.974466 -2.006747   
1  -0.097883  0.695775  0.341734 -1.743161 -0.826591 -0.345352  1.314232   
2  -0.082240 -2.182937  0.380396  1.266143  0.299368 -0.863838  0.408204   
3  -0.489682  0.369374 -0.034571  0.221471 -0.744471  0.758527  1.729689   
4   0.901805  1.171216  0.520260  0.650776 -1.461665 -1.137707 -0.891060   
5  -0.260838  0.281957  1.523962 -0.008434  1.952541 -1.056652  0.533946   
6   0.576897  1.146000  1.487349  2.015523 -1.833722  1.771740 -0.670027   
..       ...       ...       ...       ...       ...       ...       ...   
23  0.065624  0.307665 -1.898358  1.389045 -0.873585 -0.699862  0.812477   
24  1.010694  0.877138 -0.611561 -1.040389 -0.796211  0.241596  0.385922   
25 -0.617855  0.536164  2.175585  1.872601 -2.513465 -0.139184  0.810491   
26  0.937882  0.617547  0.287918 -1.584814  0.307941  1.809049  0.296237   
27 -0.026233 -0.051744  0.001402  0.150664 -3.060395  0.040268  0.066091   
28 -1.788308  0.753604  0.918071  0.922729  0.869610  0.364726 -0.226101   
29 -0.481634 -2.056211 -2.106095  0.039227  0.211283  1.440190 -0.989193   

          28        29  
0  -0.410001 -0.078638  
1   0.690579  0.995761  
2  -1.048089 -0.025747  
3  -0.964980 -0.845696  
4  -0.693921  1.613616  
5  -1.226970  0.040403  
6   0.049307 -0.521493  
..       ...       ...  
23 -0.469503  1.142702  
24 -0.486078  0.433042  
25  0.571599 -0.000676  
26 -0.143550  0.289401  
27 -0.192862  1.979055  
28 -0.657647 -0.952699  
29  0.313335 -0.399709  

[30 rows x 16 columns]

aggregate

在R中，您可能需要将数据拆分为子集并计算每个子集的平均值。使用名为df的数据框，并将其拆分为by1和by2组：

df <- data.frame(
  v1 = c(1,3,5,7,8,3,5,NA,4,5,7,9),
  v2 = c(11,33,55,77,88,33,55,NA,44,55,77,99),
  by1 = c("red", "blue", 1, 2, NA, "big", 1, 2, "red", 1, NA, 12),
  by2 = c("wet", "dry", 99, 95, NA, "damp", 95, 99, "red", 99, NA, NA))
aggregate(x=df[, c("v1", "v2")], by=list(mydf2$by1, mydf2$by2), FUN = mean)

groupby()方法类似于基本R aggregate函数。

In [9]: df = pd.DataFrame({
   ...:   'v1': [1,3,5,7,8,3,5,np.nan,4,5,7,9],
   ...:   'v2': [11,33,55,77,88,33,55,np.nan,44,55,77,99],
   ...:   'by1': ["red", "blue", 1, 2, np.nan, "big", 1, 2, "red", 1, np.nan, 12],
   ...:   'by2': ["wet", "dry", 99, 95, np.nan, "damp", 95, 99, "red", 99, np.nan,
   ...:           np.nan]
   ...: })
   ...: 

In [10]: g = df.groupby(['by1','by2'])

In [11]: g[['v1','v2']].mean()
Out[11]: 
            v1    v2
by1  by2            
1    95    5.0  55.0
     99    5.0  55.0
2    95    7.0  77.0
     99    NaN   NaN
big  damp  3.0  33.0
blue dry   3.0  33.0
red  red   4.0  44.0
     wet   1.0  11.0

有关更多详细信息和示例，请参阅the groupby documentation。

match / %in%

在R中选择数据的常用方法是使用%in%中，其使用match函数定义。在％中的运算符%in%

s <- 0:4
s %in% c(2,4)

isin()方法类似于R %in%运算符：

In [12]: s = pd.Series(np.arange(5),dtype=np.float32)

In [13]: s.isin([2, 4])
Out[13]: 
0    False
1    False
2     True
3    False
4     True
dtype: bool

match函数返回其第二个参数的第一个参数的匹配位置的向量：

s <- 0:4
match(s, c(2,4))

apply()方法可用于复制此：

In [14]: s = pd.Series(np.arange(5),dtype=np.float32)

In [15]: pd.Series(pd.match(s,[2,4],np.nan))
Out[15]: 
0    NaN
1    NaN
2    0.0
3    NaN
4    1.0
dtype: float64

有关详细信息和示例，请参阅the reshaping documentation。

tapply

tapply类似于aggregate，但数据可能位于粗糙的数组中，因为子类大小可能不规则。使用名为baseball的数据框架，并基于数组team检索信息：

baseball <-
  data.frame(team = gl(5, 5,
             labels = paste("Team", LETTERS[1:5])),
             player = sample(letters, 25),
             batting.average = runif(25, .200, .400))

tapply(baseball$batting.average, baseball.example$team,
       max)

在pandas中，我们可以使用pivot_table()方法来处理：

In [16]: import random

In [17]: import string

In [18]: baseball = pd.DataFrame({
   ....:    'team': ["team %d" % (x+1) for x in range(5)]*5,
   ....:    'player': random.sample(list(string.ascii_lowercase),25),
   ....:    'batting avg': np.random.uniform(.200, .400, 25)
   ....:    })
   ....: 

In [19]: baseball.pivot_table(values='batting avg', columns='team', aggfunc=np.max)
Out[19]: 
team
team 1    0.394457
team 2    0.395730
team 3    0.343015
team 4    0.388863
team 5    0.377379
Name: batting avg, dtype: float64

有关详细信息和示例，请参阅the reshaping documentation。

subset

版本0.13中的新功能。

query()方法类似于基本R subset函数。在R中，您可能想要获取data.frame的行，其中一列的值小于另一列的值：

df <- data.frame(a=rnorm(10), b=rnorm(10))
subset(df, a <= b)
df[df$a <= df$b,]  # note the comma

在pandas中，有几种方法可以执行子集。您可以使用query()或传递表达式，就像它是索引/切片以及标准布尔索引：

In [20]: df = pd.DataFrame({'a': np.random.randn(10), 'b': np.random.randn(10)})

In [21]: df.query('a <= b')
Out[21]: 
          a         b
0 -1.003455 -0.990738
1  0.083515  0.548796
3 -0.524392  0.904400
4 -0.837804  0.746374
8 -0.507219  0.245479

In [22]: df[df.a <= df.b]
Out[22]: 
          a         b
0 -1.003455 -0.990738
1  0.083515  0.548796
3 -0.524392  0.904400
4 -0.837804  0.746374
8 -0.507219  0.245479

In [23]: df.loc[df.a <= df.b]
Out[23]: 
          a         b
0 -1.003455 -0.990738
1  0.083515  0.548796
3 -0.524392  0.904400
4 -0.837804  0.746374
8 -0.507219  0.245479

有关详细信息和示例，请参见the query documentation。

with

版本0.13中的新功能。

An expression using a data.frame called df in R with the columns a and b would be evaluated using with like so:

df <- data.frame(a=rnorm(10), b=rnorm(10))
with(df, a + b)
df$a + df$b  # same as the previous expression

在pandas中，使用eval()方法的等效表达式为：

In [24]: df = pd.DataFrame({'a': np.random.randn(10), 'b': np.random.randn(10)})

In [25]: df.eval('a + b')
Out[25]: 
0   -0.920205
1   -0.860236
2    1.154370
3    0.188140
4   -1.163718
5    0.001397
6   -0.825694
7   -1.138198
8   -1.708034
9    1.148616
dtype: float64

In [26]: df.a + df.b  # same as the previous expression
Out[26]: 
0   -0.920205
1   -0.860236
2    1.154370
3    0.188140
4   -1.163718
5    0.001397
6   -0.825694
7   -1.138198
8   -1.708034
9    1.148616
dtype: float64

在某些情况下，eval()将比纯Python中的求值快得多。有关详细信息和示例，请参见the eval documentation。

plyr

plyr是用于数据分析的拆分应用组合策略的R库。The functions revolve around three data structures in R, a for arrays, l for lists, and d for data.frame. 下表显示了如何在Python中映射这些数据结构。

R 蟒蛇
数组 列表
列表 字典或对象列表
data.frame 数据帧

ddply

在R中要使用month汇总x的数据框架 span>：df

require(plyr)
df <- data.frame(
  x = runif(120, 1, 168),
  y = runif(120, 7, 334),
  z = runif(120, 1.7, 20.7),
  month = rep(c(5,6,7,8),30),
  week = sample(1:4, 120, TRUE)
)

ddply(df, .(month, week), summarize,
      mean = round(mean(x), 2),
      sd = round(sd(x), 2))

在pandas中，使用groupby()方法的等效表达式将是：

In [27]: df = pd.DataFrame({
   ....:     'x': np.random.uniform(1., 168., 120),
   ....:     'y': np.random.uniform(7., 334., 120),
   ....:     'z': np.random.uniform(1.7, 20.7, 120),
   ....:     'month': [5,6,7,8]*30,
   ....:     'week': np.random.randint(1,4, 120)
   ....: })
   ....: 

In [28]: grouped = df.groupby(['month','week'])

In [29]: grouped['x'].agg([np.mean, np.std])
Out[29]: 
                  mean        std
month week                       
5     1      71.840596  52.886392
      2      71.904794  55.786805
      3      89.845632  49.892367
6     1      97.730877  52.442172
      2      93.369836  47.178389
      3      96.592088  58.773744
7     1      59.255715  43.442336
      2      69.634012  28.607369
      3      84.510992  59.761096
8     1     104.787666  31.745437
      2      69.717872  53.747188
      3      79.892221  52.950459

有关更多详细信息和示例，请参阅the groupby documentation。

reshape / reshape2

melt.array

使用R中的一个名为a的三维数组的表达式，其中要将其融化为一个data.frame：

a <- array(c(1:23, NA), c(2,3,4))
data.frame(melt(a))

在Python中，由于a是一个列表，因此可以使用list comprehension。

In [30]: a = np.array(list(range(1,24))+[np.NAN]).reshape(2,3,4)

In [31]: pd.DataFrame([tuple(list(x)+[val]) for x, val in np.ndenumerate(a)])
Out[31]: 
    0  1  2     3
0   0  0  0   1.0
1   0  0  1   2.0
2   0  0  2   3.0
3   0  0  3   4.0
4   0  1  0   5.0
5   0  1  1   6.0
6   0  1  2   7.0
.. .. .. ..   ...
17  1  1  1  18.0
18  1  1  2  19.0
19  1  1  3  20.0
20  1  2  0  21.0
21  1  2  1  22.0
22  1  2  2  23.0
23  1  2  3   NaN

[24 rows x 4 columns]

melt.list

使用R中的列表a的表达式，您要将其融化为一个data.frame：

a <- as.list(c(1:4, NA))
data.frame(melt(a))

在Python中，此列表将是一个元组列表，因此DataFrame()方法会将其转换为所需的数据帧。

In [32]: a = list(enumerate(list(range(1,5))+[np.NAN]))

In [33]: pd.DataFrame(a)
Out[33]: 
   0    1
0  0  1.0
1  1  2.0
2  2  3.0
3  3  4.0
4  4  NaN

有关详细信息和示例，请参阅the Into to Data Structures documentation。

melt.data.frame

一个在R中使用名为cheese的data.frame的表达式，其中要重新整形data.frame：

cheese <- data.frame(
  first = c('John', 'Mary'),
  last = c('Doe', 'Bo'),
  height = c(5.5, 6.0),
  weight = c(130, 150)
)
melt(cheese, id=c("first", "last"))

在Python中，melt()方法是R等价：

In [34]: cheese = pd.DataFrame({'first' : ['John', 'Mary'],
   ....:                     'last' : ['Doe', 'Bo'],
   ....:                     'height' : [5.5, 6.0],
   ....:                     'weight' : [130, 150]})
   ....: 

In [35]: pd.melt(cheese, id_vars=['first', 'last'])
Out[35]: 
  first last variable  value
0  John  Doe   height    5.5
1  Mary   Bo   height    6.0
2  John  Doe   weight  130.0
3  Mary   Bo   weight  150.0

In [36]: cheese.set_index(['first', 'last']).stack() # alternative way
Out[36]: 
first  last        
John   Doe   height      5.5
             weight    130.0
Mary   Bo    height      6.0
             weight    150.0
dtype: float64

有关详细信息和示例，请参阅the reshaping documentation。

cast

在R acast是一个表达式，使用R中的一个名为df的数据框来转换为一个更高维数组：

df <- data.frame(
  x = runif(12, 1, 168),
  y = runif(12, 7, 334),
  z = runif(12, 1.7, 20.7),
  month = rep(c(5,6,7),4),
  week = rep(c(1,2), 6)
)

mdf <- melt(df, id=c("month", "week"))
acast(mdf, week ~ month ~ variable, mean)

在Python中，最好的方法是使用pivot_table()：

In [37]: df = pd.DataFrame({
   ....:      'x': np.random.uniform(1., 168., 12),
   ....:      'y': np.random.uniform(7., 334., 12),
   ....:      'z': np.random.uniform(1.7, 20.7, 12),
   ....:      'month': [5,6,7]*4,
   ....:      'week': [1,2]*6
   ....: })
   ....: 

In [38]: mdf = pd.melt(df, id_vars=['month', 'week'])

In [39]: pd.pivot_table(mdf, values='value', index=['variable','week'],
   ....:                  columns=['month'], aggfunc=np.mean)
   ....: 
Out[39]: 
month                   5           6           7
variable week                                    
x        1     114.001700  132.227290   65.808204
         2     124.669553  147.495706   82.882820
y        1     225.636630  301.864228   91.706834
         2      57.692665  215.851669  218.004383
z        1      17.793871    7.124644   17.679823
         2      15.068355   13.873974    9.394966

类似地，对于dcast，它使用R中的数据框架df，基于Animal和FeedType

df <- data.frame(
  Animal = c('Animal1', 'Animal2', 'Animal3', 'Animal2', 'Animal1',
             'Animal2', 'Animal3'),
  FeedType = c('A', 'B', 'A', 'A', 'B', 'B', 'A'),
  Amount = c(10, 7, 4, 2, 5, 6, 2)
)

dcast(df, Animal ~ FeedType, sum, fill=NaN)
# Alternative method using base R
with(df, tapply(Amount, list(Animal, FeedType), sum))

Python可以通过两种不同的方式来实现。首先，类似于上面使用pivot_table()：

In [40]: df = pd.DataFrame({
   ....:     'Animal': ['Animal1', 'Animal2', 'Animal3', 'Animal2', 'Animal1',
   ....:                'Animal2', 'Animal3'],
   ....:     'FeedType': ['A', 'B', 'A', 'A', 'B', 'B', 'A'],
   ....:     'Amount': [10, 7, 4, 2, 5, 6, 2],
   ....: })
   ....: 

In [41]: df.pivot_table(values='Amount', index='Animal', columns='FeedType', aggfunc='sum')
Out[41]: 
FeedType     A     B
Animal              
Animal1   10.0   5.0
Animal2    2.0  13.0
Animal3    6.0   NaN

第二种方法是使用groupby()方法：

In [42]: df.groupby(['Animal','FeedType'])['Amount'].sum()
Out[42]: 
Animal   FeedType
Animal1  A           10
         B            5
Animal2  A            2
         B           13
Animal3  A            6
Name: Amount, dtype: int64

有关详细信息和示例，请参阅the reshaping documentation或the groupby documentation。

factor

版本0.15中的新功能。

pandas具有用于分类数据的数据类型。

cut(c(1,2,3,4,5,6), 3)
factor(c(1,2,3,2,2,3))

在pandas中，这是通过pd.cut和astype("category")完成的：

In [43]: pd.cut(pd.Series([1,2,3,4,5,6]), 3)
Out[43]: 
0    (0.995, 2.667]
1    (0.995, 2.667]
2    (2.667, 4.333]
3    (2.667, 4.333]
4        (4.333, 6]
5        (4.333, 6]
dtype: category
Categories (3, object): [(0.995, 2.667] < (2.667, 4.333] < (4.333, 6]]

In [44]: pd.Series([1,2,3,2,2,3]).astype("category")
Out[44]: 
0    1
1    2
2    3
3    2
4    2
5    3
dtype: category
Categories (3, int64): [1, 2, 3]

有关详细信息和示例，请参见categorical introduction和API documentation。还有关于differences to R’s factor的差异的文档。