Обратный булевский столбец в python pandas [duplicate]

Вопрос был:

Как вернуть ответ от асинхронного вызова?

blockquote>

, который может быть интерпретирован как:

Как сделать синхронный асинхронный код синхронным?

blockquote>

Решение будет состоять в том, чтобы избежать обратных вызовов и использовать комбинацию Promises и async / await.

Я хотел бы привести пример для запроса Ajax.

(Хотя он может быть записан в Javascript, я предпочитаю писать его на Python и компилировать его в Javascript, используя Transcrypt . Это будет достаточно ясно.)

Позволяет сначала включить использование JQuery, чтобы $ был доступен как S:

__pragma__ ('alias', 'S', '$')

Определить функцию, которая возвращает Promise, в этом случае вызов Ajax:

def read(url: str):
    deferred = S.Deferred()
    S.ajax({'type': "POST", 'url': url, 'data': { },
        'success': lambda d: deferred.resolve(d),
        'error': lambda e: deferred.reject(e)
    })
    return deferred.promise()

Использовать асинхронный код, как если бы он был синхронным:

async def readALot():
    try:
        result1 = await read("url_1")
        result2 = await read("url_2")
    except Exception:
        console.warn("Reading a lot failed")

124
задан blz 14 April 2013 в 11:44
поделиться

4 ответа

Для инвертирования логической серии используйте ~s :

In [7]: s = pd.Series([True, True, False, True])

In [8]: ~s
Out[8]: 
0    False
1    False
2     True
3    False
dtype: bool

Использование Python2.7, NumPy 1.8.0, Pandas 0.13.1:

In [119]: s = pd.Series([True, True, False, True]*10000)

In [10]:  %timeit np.invert(s)
10000 loops, best of 3: 91.8 µs per loop

In [11]: %timeit ~s
10000 loops, best of 3: 73.5 µs per loop

In [12]: %timeit (-s)
10000 loops, best of 3: 73.5 µs per loop

Начиная с Pandas 0.13.0, Series больше не являются подклассами numpy.ndarray; теперь они являются подклассами pd.NDFrame. Это может иметь какое-то отношение к тому, почему np.invert(s) работает не так быстро, как ~s или -s.

Предостережение: timeit результаты могут различаться в зависимости от многих факторов, включая аппаратное обеспечение, компилятор, ОС , Python, NumPy и Pandas.

147
ответ дан unutbu 5 September 2018 в 11:53
поделиться

Я просто даю ему выстрел:

In [9]: s = Series([True, True, True, False])

In [10]: s
Out[10]: 
0     True
1     True
2     True
3    False

In [11]: -s
Out[11]: 
0    False
1    False
2    False
3     True
10
ответ дан herrfz 5 September 2018 в 11:53
поделиться

Ответ @ unutbu находится на месте, просто хотел добавить предупреждение о том, что вашей маске должно быть dtype bool, а не «object». Т.е. у вашей маски не было бы когда-либо был любой нан. См. здесь - даже если ваша маска теперь ненанна, она останется типом объекта.

Обратный к серии «объект» не будет вызывать ошибку, вместо этого вы получите мусорную маску ints, которая не будет работать так, как вы ожидаете.

In[1]: df = pd.DataFrame({'A':[True, False, np.nan], 'B':[True, False, True]})
In[2]: df.dropna(inplace=True)
In[3]: df['A']
Out[3]:
0    True
1   False
Name: A, dtype object
In[4]: ~df['A']
Out[4]:
0   -2
0   -1
Name: A, dtype object

После разговора с коллегами об этом мне есть объяснение: похоже, панды возвращаются к поразному оператор:

In [1]: ~True
Out[1]: -2
9
ответ дан JSharm 5 September 2018 в 11:53
поделиться

Вы также можете использовать numpy.invert :

In [1]: import numpy as np

In [2]: import pandas as pd

In [3]: s = pd.Series([True, True, False, True])

In [4]: np.invert(s)
Out[4]: 
0    False
1    False
2     True
3    False

EDIT: разница в производительности появляется на Ubuntu 12.04, Python 2.7, NumPy 1.7.0 - не похоже, существуют с использованием NumPy 1.6.2:

In [5]: %timeit (-s)
10000 loops, best of 3: 26.8 us per loop

In [6]: %timeit np.invert(s)
100000 loops, best of 3: 7.85 us per loop

In [7]: %timeit ~s
10000 loops, best of 3: 27.3 us per loop
5
ответ дан root 5 September 2018 в 11:53
поделиться
Другие вопросы по тегам:

Похожие вопросы: