obter lista da coluna dataframe do pandas


289

Eu tenho um documento do Excel que se parece com isso ..

cluster load_date   budget  actual  fixed_price
A   1/1/2014    1000    4000    Y
A   2/1/2014    12000   10000   Y
A   3/1/2014    36000   2000    Y
B   4/1/2014    15000   10000   N
B   4/1/2014    12000   11500   N
B   4/1/2014    90000   11000   N
C   7/1/2014    22000   18000   N
C   8/1/2014    30000   28960   N
C   9/1/2014    53000   51200   N

Desejo poder retornar o conteúdo da coluna 1 - cluster como uma lista, para que eu possa executar um loop for sobre ele e criar uma planilha do Excel para cada cluster.

Também é possível retornar o conteúdo de uma linha inteira para uma lista? por exemplo

list = [], list[column1] or list[df.ix(row1)]

9
Pandas trama de dados de colunas são uma série pandas quando você retirá-los, o que você pode em seguida, chamar .tolist()para transformá-los em uma lista python
Ben

4
A partir da v0.24, .valuesNÃO SERÁ MAIS o método preferido para acessar matrizes numpy subjacentes. Veja esta resposta .
cs95

Nota importante: a conversão de uma série do Pandas em lista ou matriz NumPy geralmente não é necessária e quase certamente ocorre no caso do OP.
AMC

Além disso, não há necessidade de ler as respostas excessivamente longas para uma pergunta tão trivial. df.to_numpy().tolist()deve ser bom para a maioria dos casos de uso.
AMC

Simplesmente typecast usandolist(x)
Pe Dro

Respostas:


495

As colunas do DataFrame do Pandas são da Série Pandas quando você as extrai, e você pode chamá x.tolist()-las para transformá-las em uma lista Python. Alternativamente, você o lança list(x).

import pandas as pd

data_dict = {'one': pd.Series([1, 2, 3], index=['a', 'b', 'c']),
             'two': pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}

df = pd.DataFrame(data_dict)

print(f"DataFrame:\n{df}\n")
print(f"column types:\n{df.dtypes}")

col_one_list = df['one'].tolist()

col_one_arr = df['one'].to_numpy()

print(f"\ncol_one_list:\n{col_one_list}\ntype:{type(col_one_list)}")
print(f"\ncol_one_arr:\n{col_one_arr}\ntype:{type(col_one_arr)}")

Resultado:

DataFrame:
   one  two
a  1.0    1
b  2.0    2
c  3.0    3
d  NaN    4

column types:
one    float64
two      int64
dtype: object

col_one_list:
[1.0, 2.0, 3.0, nan]
type:<class 'list'>

col_two_arr:
[ 1.  2.  3. nan]
type:<class 'numpy.ndarray'>

24
Não consigo entender o estilo dos documentos, porque é quase sempre uma sintaxe direta, onde eu preciso de sintaxe e exemplo. Por exemplo, a sintaxe seria criar um conjunto: use a palavra-chave set e uma lista: Exemplo que acompanha: alist = df.cluster.tolist (). Até que os pandas sejam escritos dessa maneira, lutarei. está chegando lá, existem alguns exemplos agora, mas não para todos os métodos.
yoshiserry

Obrigado @Ben, ótima resposta! Você pode me falar sobre o método Dataframe, nunca vi isso antes ... parece que você está convertendo um dicionario em um df? df = DataFrame (d)?
yoshiserry

Uma das maneiras padrão de criar um quadro de dados é passar uma lista de dicionários com chaves correspondentes.
Ben

2
@yoshiserry A maioria das funções comuns agora tem exemplos de uso em sua documentação, abaixo da listagem de sintaxe e argumento. Você também pode ver 15 minutos para pandas para obter mais exemplos de nível iniciante.
cs95

2
@Ben eu não tinha visto você ainda está ativo no SO, gostaria de mencionar que enviei uma edição de tamanho decente para esta resposta, então deixe-me saber o que você pensa :)
AMC

53

Isso retorna uma matriz numpy:

arr = df["cluster"].to_numpy()

Isso retorna uma matriz numpy de valores exclusivos :

unique_arr = df["cluster"].unique()

Você também pode usar numpy para obter os valores exclusivos, embora haja diferenças entre os dois métodos:

arr = df["cluster"].to_numpy()
unique_arr = np.unique(arr)

4

Conversão de exemplo:

Matriz Numpy -> Quadro de Dados Panda -> Lista de uma Coluna Panda

Matriz Numpy

data = np.array([[10,20,30], [20,30,60], [30,60,90]])

Converter array numpy em quadro de dados do Panda

dataPd = pd.DataFrame(data = data)

print(dataPd)
0   1   2
0  10  20  30
1  20  30  60
2  30  60  90

Converter um Panda Frame em lista

pdToList = list(dataPd['2'])


1
Por que mostrar o código de criação da matriz duas vezes, como se fosse uma parte importante da solução? Por que criar essa matriz, de fato? Não é df = pd.DataFrame(data=[[10, 20, 30], [20, 30, 60], [30, 60, 90]])mais direto? Além disso, observe o nome e o espaço em branco da variável que seguem as convenções no estilo Python. Repita a lista como uma prova O que isso prova exatamente? Que é uma lista?
AMC

2

Como essa pergunta recebeu muita atenção e existem várias maneiras de cumprir sua tarefa, deixe-me apresentar várias opções.

Esses são todos os one-liners, a propósito;)

Começando com:

df
  cluster load_date budget actual fixed_price
0       A  1/1/2014   1000   4000           Y
1       A  2/1/2014  12000  10000           Y
2       A  3/1/2014  36000   2000           Y
3       B  4/1/2014  15000  10000           N
4       B  4/1/2014  12000  11500           N
5       B  4/1/2014  90000  11000           N
6       C  7/1/2014  22000  18000           N
7       C  8/1/2014  30000  28960           N
8       C  9/1/2014  53000  51200           N

Visão geral das operações em potencial:

ser_aggCol (collapse each column to a list)
cluster          [A, A, A, B, B, B, C, C, C]
load_date      [1/1/2014, 2/1/2014, 3/1/2...
budget         [1000, 12000, 36000, 15000...
actual         [4000, 10000, 2000, 10000,...
fixed_price      [Y, Y, Y, N, N, N, N, N, N]
dtype: object


ser_aggRows (collapse each row to a list)
0     [A, 1/1/2014, 1000, 4000, Y]
1    [A, 2/1/2014, 12000, 10000...
2    [A, 3/1/2014, 36000, 2000, Y]
3    [B, 4/1/2014, 15000, 10000...
4    [B, 4/1/2014, 12000, 11500...
5    [B, 4/1/2014, 90000, 11000...
6    [C, 7/1/2014, 22000, 18000...
7    [C, 8/1/2014, 30000, 28960...
8    [C, 9/1/2014, 53000, 51200...
dtype: object


df_gr (here you get lists for each cluster)
                             load_date                 budget                 actual fixed_price
cluster                                                                                         
A        [1/1/2014, 2/1/2014, 3/1/2...   [1000, 12000, 36000]    [4000, 10000, 2000]   [Y, Y, Y]
B        [4/1/2014, 4/1/2014, 4/1/2...  [15000, 12000, 90000]  [10000, 11500, 11000]   [N, N, N]
C        [7/1/2014, 8/1/2014, 9/1/2...  [22000, 30000, 53000]  [18000, 28960, 51200]   [N, N, N]


a list of separate dataframes for each cluster

df for cluster A
  cluster load_date budget actual fixed_price
0       A  1/1/2014   1000   4000           Y
1       A  2/1/2014  12000  10000           Y
2       A  3/1/2014  36000   2000           Y

df for cluster B
  cluster load_date budget actual fixed_price
3       B  4/1/2014  15000  10000           N
4       B  4/1/2014  12000  11500           N
5       B  4/1/2014  90000  11000           N

df for cluster C
  cluster load_date budget actual fixed_price
6       C  7/1/2014  22000  18000           N
7       C  8/1/2014  30000  28960           N
8       C  9/1/2014  53000  51200           N

just the values of column load_date
0    1/1/2014
1    2/1/2014
2    3/1/2014
3    4/1/2014
4    4/1/2014
5    4/1/2014
6    7/1/2014
7    8/1/2014
8    9/1/2014
Name: load_date, dtype: object


just the values of column number 2
0     1000
1    12000
2    36000
3    15000
4    12000
5    90000
6    22000
7    30000
8    53000
Name: budget, dtype: object


just the values of row number 7
cluster               C
load_date      8/1/2014
budget            30000
actual            28960
fixed_price           N
Name: 7, dtype: object


============================== JUST FOR COMPLETENESS ==============================


you can convert a series to a list
['C', '8/1/2014', '30000', '28960', 'N']
<class 'list'>


you can convert a dataframe to a nested list
[['A', '1/1/2014', '1000', '4000', 'Y'], ['A', '2/1/2014', '12000', '10000', 'Y'], ['A', '3/1/2014', '36000', '2000', 'Y'], ['B', '4/1/2014', '15000', '10000', 'N'], ['B', '4/1/2014', '12000', '11500', 'N'], ['B', '4/1/2014', '90000', '11000', 'N'], ['C', '7/1/2014', '22000', '18000', 'N'], ['C', '8/1/2014', '30000', '28960', 'N'], ['C', '9/1/2014', '53000', '51200', 'N']]
<class 'list'>

the content of a dataframe can be accessed as a numpy.ndarray
[['A' '1/1/2014' '1000' '4000' 'Y']
 ['A' '2/1/2014' '12000' '10000' 'Y']
 ['A' '3/1/2014' '36000' '2000' 'Y']
 ['B' '4/1/2014' '15000' '10000' 'N']
 ['B' '4/1/2014' '12000' '11500' 'N']
 ['B' '4/1/2014' '90000' '11000' 'N']
 ['C' '7/1/2014' '22000' '18000' 'N']
 ['C' '8/1/2014' '30000' '28960' 'N']
 ['C' '9/1/2014' '53000' '51200' 'N']]
<class 'numpy.ndarray'>

código:

# prefix ser refers to pd.Series object
# prefix df refers to pd.DataFrame object
# prefix lst refers to list object

import pandas as pd
import numpy as np

df=pd.DataFrame([
        ['A',   '1/1/2014',    '1000',    '4000',    'Y'],
        ['A',   '2/1/2014',    '12000',   '10000',   'Y'],
        ['A',   '3/1/2014',    '36000',   '2000',    'Y'],
        ['B',   '4/1/2014',    '15000',   '10000',   'N'],
        ['B',   '4/1/2014',    '12000',   '11500',   'N'],
        ['B',   '4/1/2014',    '90000',   '11000',   'N'],
        ['C',   '7/1/2014',    '22000',   '18000',   'N'],
        ['C',   '8/1/2014',    '30000',   '28960',   'N'],
        ['C',   '9/1/2014',    '53000',   '51200',   'N']
        ], columns=['cluster', 'load_date',   'budget',  'actual',  'fixed_price'])
print('df',df, sep='\n', end='\n\n')

ser_aggCol=df.aggregate(lambda x: [x.tolist()], axis=0).map(lambda x:x[0])
print('ser_aggCol (collapse each column to a list)',ser_aggCol, sep='\n', end='\n\n\n')

ser_aggRows=pd.Series(df.values.tolist()) 
print('ser_aggRows (collapse each row to a list)',ser_aggRows, sep='\n', end='\n\n\n')

df_gr=df.groupby('cluster').agg(lambda x: list(x))
print('df_gr (here you get lists for each cluster)',df_gr, sep='\n', end='\n\n\n')

lst_dfFiltGr=[ df.loc[df['cluster']==val,:] for val in df['cluster'].unique() ]
print('a list of separate dataframes for each cluster', sep='\n', end='\n\n')
for dfTmp in lst_dfFiltGr:
    print('df for cluster '+str(dfTmp.loc[dfTmp.index[0],'cluster']),dfTmp, sep='\n', end='\n\n')

ser_singleColLD=df.loc[:,'load_date']
print('just the values of column load_date',ser_singleColLD, sep='\n', end='\n\n\n')

ser_singleCol2=df.iloc[:,2]
print('just the values of column number 2',ser_singleCol2, sep='\n', end='\n\n\n')

ser_singleRow7=df.iloc[7,:]
print('just the values of row number 7',ser_singleRow7, sep='\n', end='\n\n\n')

print('='*30+' JUST FOR COMPLETENESS '+'='*30, end='\n\n\n')

lst_fromSer=ser_singleRow7.tolist()
print('you can convert a series to a list',lst_fromSer, type(lst_fromSer), sep='\n', end='\n\n\n')

lst_fromDf=df.values.tolist()
print('you can convert a dataframe to a nested list',lst_fromDf, type(lst_fromDf), sep='\n', end='\n\n')

arr_fromDf=df.values
print('the content of a dataframe can be accessed as a numpy.ndarray',arr_fromDf, type(arr_fromDf), sep='\n', end='\n\n')

como indicado pelo cs95, outros métodos devem ser preferidos ao .valuesatributo pandas da versão 0.24 do pandas, veja aqui . Eu o uso aqui, porque a maioria das pessoas (em 2019) ainda terá uma versão mais antiga, que não suporta as novas recomendações. Você pode verificar sua versão comprint(pd.__version__)


1

Se sua coluna tiver apenas um valor, algo como pd.series.tolist()isso produzirá um erro. Para garantir que funcione para todos os casos, use o código abaixo:

(
    df
        .filter(['column_name'])
        .values
        .reshape(1, -1)
        .ravel()
        .tolist()
)

-1

Supondo que o nome do quadro de dados após a leitura da planilha do excel seja df , pegue uma lista vazia (por exemplo dataList), itere através do quadro de dados linha por linha e acrescente à sua lista vazia como-

dataList = [] #empty list
for index, row in df.iterrows(): 
    mylist = [row.cluster, row.load_date, row.budget, row.actual, row.fixed_price]
    dataList.append(mylist)

Ou,

dataList = [] #empty list
for row in df.itertuples(): 
    mylist = [row.cluster, row.load_date, row.budget, row.actual, row.fixed_price]
    dataList.append(mylist)

Não, se você imprimir dataList, receberá cada linha como uma lista no dataList.


Os nomes de variáveis ​​e funções devem seguir o lower_case_with_underscoresestilo. Que vantagem essa solução tem sobre as existentes, exatamente? Além disso, eu realmente desencorajo o uso de acesso no estilo de atributo no Series e DataFrames.
AMC

-1
 amount = list()
    for col in df.columns:
        val = list(df[col])
        for v in val:
            amount.append(v)
Ao utilizar nosso site, você reconhece que leu e compreendeu nossa Política de Cookies e nossa Política de Privacidade.
Licensed under cc by-sa 3.0 with attribution required.