Tenez compte de la trame de données df

df = pd.DataFrame(dict(A=[1, 2], B=['X', 'Y']))

df

   A  B
0  1  X
1  2  Y

Si je me déplace axis=0(par défaut)

df.shift()

     A    B
0  NaN  NaN
1  1.0    X

Il pousse toutes les lignes vers le bas d'une ligne comme prévu.

Mais quand je me déplace axis=1

df.shift(axis=1)

    A    B
0 NaN  NaN
1 NaN  NaN

Tout est nul quand je m'y attendais

     A  B
0  NaN  1
1  NaN  2

Je comprends pourquoi cela s'est produit. Pour axis=0, Pandas fonctionne colonne par colonne où chaque colonne est unique dtypeet lors du déplacement, il existe un protocole clair sur la façon de traiter la NaNvaleur introduite au début ou à la fin. Mais lorsque axis=1nous nous déplaçons, nous introduisons une ambiguïté potentielle d' dtypeune colonne à l'autre. Dans ce cas, j'essaie de forcer int64dans une objectcolonne et Pandas décide de simplement annuler les valeurs.

Cela devient plus problématique lorsque le dtypessont int64etfloat64

df = pd.DataFrame(dict(A=[1, 2], B=[1., 2.]))

df

   A    B
0  1  1.0
1  2  2.0

Et la même chose se produit

df.shift(axis=1)

    A   B
0 NaN NaN
1 NaN NaN

Ma question

Quelles sont les bonnes options pour créer une trame de données qui est décalée le long axis=1de laquelle le résultat a décalé les valeurs et les dtypes?

Pour le cas int64/ float64, le résultat ressemblerait à:

df_shifted

     A  B
0  NaN  1
1  NaN  2

et

df_shifted.dtypes

A    object
B     int64
dtype: object

Un exemple plus complet

df = pd.DataFrame(dict(A=[1, 2], B=[1., 2.], C=['X', 'Y'], D=[4., 5.], E=[4, 5]))

df

   A    B  C    D  E
0  1  1.0  X  4.0  4
1  2  2.0  Y  5.0  5

Devrait ressembler à ceci

df_shifted

     A  B    C  D    E
0  NaN  1  1.0  X  4.0
1  NaN  2  2.0  Y  5.0

df_shifted.dtypes

A     object
B      int64
C    float64
D     object
E    float64
dtype: object

Il s'avère que les Pandas se déplacent sur des blocs de dtypes

Définir dfcomme

df = pd.DataFrame(dict(
    A=[1, 2], B=[3., 4.], C=['X', 'Y'],
    D=[5., 6.], E=[7, 8], F=['W', 'Z']
))

df

#  i    f  o    f  i  o
#  n    l  b    l  n  b
#  t    t  j    t  t  j
#
   A    B  C    D  E  F
0  1  3.0  X  5.0  7  W
1  2  4.0  Y  6.0  8  Z

Il déplacera les entiers vers la colonne entière suivante, les flottants vers la colonne flottante suivante et les objets vers la colonne objet suivante

df.shift(axis=1)

    A   B    C    D    E  F
0 NaN NaN  NaN  3.0  1.0  X
1 NaN NaN  NaN  4.0  2.0  Y

Je ne sais pas si c'est une bonne idée, mais c'est ce qui se passe.

Approches

astype(object) première

dtypes = df.dtypes.shift(fill_value=object)
df_shifted = df.astype(object).shift(1, axis=1).astype(dtypes)

df_shifted

     A  B    C  D    E  F
0  NaN  1  3.0  X  5.0  7
1  NaN  2  4.0  Y  6.0  8

transpose

Le fera object

dtypes = df.dtypes.shift(fill_value=object)
df_shifted = df.T.shift().T.astype(dtypes)

df_shifted

     A  B    C  D    E  F
0  NaN  1  3.0  X  5.0  7
1  NaN  2  4.0  Y  6.0  8

itertuples

pd.DataFrame([(np.nan, *t[1:-1]) for t in df.itertuples()], columns=[*df])

     A  B    C  D    E  F
0  NaN  1  3.0  X  5.0  7
1  NaN  2  4.0  Y  6.0  8

Bien que je ferais probablement ça

pd.DataFrame([
    (np.nan, *t[:-1]) for t in
    df.itertuples(index=False, name=None)
], columns=[*df])

J'ai essayé d'utiliser une numpyméthode. La méthode fonctionne tant que vous conservez vos données dans un tableau numpy:

def shift_df(data, n):
    shifted = np.roll(data, n)
    shifted[:, :n] = np.NaN

    return shifted

shifted(df, 1)

array([[nan, 1, 1.0, 'X', 4.0],
       [nan, 2, 2.0, 'Y', 5.0]], dtype=object)

Mais lorsque vous appelez le DataFrameconstructeur, toutes les colonnes sont converties en objectbien que les valeurs du tableau soient float, int, object:

def shift_df(data, n):
    shifted = np.roll(data, n)
    shifted[:, :n] = np.NaN
    shifted = pd.DataFrame(shifted)

    return shifted

print(shift_df(df, 1),'\n')
print(shift_df(df, 1).dtypes)

     0  1  2  3  4
0  NaN  1  1  X  4
1  NaN  2  2  Y  5 

0    object
1    object
2    object
3    object
4    object
dtype: object