Question

我正在使用 pandera 开发 Pandas DataFrame Schema 验证代码（在 Python 中），并且正在寻找验证 DataFrame 对列组合具有唯一值的最佳方法。

原始数据由他人提供，为CSV格式。我的代码将 CSV 加载到 Pandas DataFrame 中，然后执行 pandera DataFrameSchema 验证数据框具有使用 X 和 Y 坐标的地理坐标系列。数据的本质是数据集中的每一行都应该有一个唯一的 X,Y 坐标。

csv 文件的一般形式：
x_coord、y_coord、value_A、value_B
12.1234、23.2345、27.23、32.84
34.3456、45.4567、21.12、22.32
....
....

使用 pandera，我能想到的唯一方法是：

采取多步骤的方法：

将 csv 文件加载到 Pandas DataFrame 中。
创建一个 Pandas 单列 DataFrame，其中列名是（比如说）“coords”，值是从 csv DataFrame 坐标列的字符串组合生成的。
使用 pandera DataFrameSchema 验证 coords DataFrame，该架构具有使用 allow_duplicates=False 的 pandera 列检查该列中的唯一性的列。
使用自己的 pandera 模式验证 csv DataFrame
组合来自两个架构验证的架构错误，并将其作为错误提出。

这种方法似乎有点笨拙，我正在寻找其他可以更多利用 pandera 灵活性的选项。

实现上面的代码是：

import pandas as pd
import pandera as pa

def get_valid_coord_df(filename):
  df = pd.read_csv(filename)

  schema = DataFrameSchema(columns={
        'x_coord': pa.Column(pa.Float,
                              Check.in_range(0, 100_000)),
        'y_coord': pa.Column(pa.Float,
                              Check.in_range(0, 100_000)),
        'value_A': pa.Column(pa.Float,
                              Check.in_range(0, 20)),
        'value_B': pa.Column(pa.Float,
                              Check.in_range(0, 20))
        },
        strict=True, ordered=True)

  schema.validate(df, lazy=True) #will raise SchemaError

  df_coord = pd.DataFrame(df['x_coord'].astype(str) + ',' + df['x_coord'].astype(str))

  schema_coord = DataFrameSchema(columns={
       'x_coord': pa.Column(pa.String,
                            allow_duplicates=False)})

  schema_coord.validate(df_coord, lazy=True) #will raise SchemaError

  return df

Answer 1

在这里，您可以使用 wide checks 访问 Check 函数 arg 中的整个数据帧：

import pandera as pa

schema = pa.DataFrameSchema(
    columns={
        "x_coord": pa.Column(pa.Float, pa.Check.in_range(0, 100_000)),
        "y_coord": pa.Column(pa.Float, pa.Check.in_range(0, 100_000)),
        "value_A": pa.Column(pa.Float, pa.Check.in_range(0, 20)),
        "value_B": pa.Column(pa.Float, pa.Check.in_range(0, 20)),
    },
    # checks at the DataFrameSchema level take the dataframe as input
    # (as opposed to the series at the Column level)
    checks=pa.Check(lambda df: ~df[["x_coord", "y_coord"]].duplicated()),
    strict=True,
    ordered=True,
)

如果您发现自己在代码库中更频繁地使用此检查，您还可以定义一个 check extension，以便您可以在 pa.Check 命名空间中访问它：

import pandera.extensions as extensions

@extensions.register_check_method(
    statistics=["columns"], supported_types=pd.DataFrame,
)
def unique_columns(pandas_obj, *, columns):
    return ~pandas_obj[columns].duplicated()


schema = pa.DataFrameSchema(
    checks=pa.Check.unique_columns(["x_coord", "y_coord"])
)

schema.validate(
    pd.DataFrame(
        {
            "x_coord": [1.0, 2.0, 3.0],
            "y_coord": [4.0, 5.0, 6.0],
        }
    )
)

用于列组合的 Pandas 数据框架构验证

1 个答案: