时间戳

首页 > 解决方案 > DataFrames : 没有方法匹配 setindex!(::DataFrame, ::Tuple{Float64, Float64}, ::Colon, ::String)

dataframe - DataFrames : 没有方法匹配 setindex!(::DataFrame, ::Tuple{Float64, Float64}, ::Colon, ::String)

问题描述

当我尝试在应用返回元组的函数的 DataFrame 中使用点运算符（元素操作）时，出现以下错误。

这是一个玩具示例，

df = DataFrame()

df[:, :x] = rand(5)
df[:, :y] = rand(5)

#Function that returns two values in the form of a tuple
add_minus_two(x,y) = (x-y,x+y)

df[:,"x+y"] = add_minus_two.(df[:,:x], df[:,:y])[2]
#Out > ERROR: MethodError: no method matching setindex!(::DataFrame, ::Tuple{Float64, Float64}, ::Colon, ::String)

#However removing the dot operator works fine
df[:,"x+y"] = add_minus_two(df[:,:x], df[:,:y])[2]
#Out > 5 x 3 DataFrame

#Furthermore if its just one argument either dot or not, works fine as well
add_two(x,y) = x+y
df[:, "x+y"] = add_two(df[:,:x], df[:,:y])
df[:, "x+y"] = add_two.(df[:,:x], df[:,:y])
#out > 5 x 3 DataFrame

这是什么原因。我认为对于元素操作，您需要使用“点”运算符。

同样对于我的实际问题（当函数在元组中返回 2 个值时），当不使用点运算符时，

 ERROR: MethodError: no method matching compute_T(::Vector{Float64}, ::Vector{Float64})

并使用点运算符给出，

ERROR: MethodError: no method matching setindex!(::DataFrame, ::Tuple{Float64, Float64}, ::Colon, ::String)

并返回一个参数，类似于玩具示例也可以正常工作。

任何线索我在这里做错了什么？

标签： dataframejulia

解决方案

这不是 DataFrames.jl 问题，而是 Julia Base 的工作原理。

我只关注 RHS，因为 LHS 无关紧要（并且 RHS 与 DataFrames.jl 无关）。

首先，如何写你想要的。初始化：

julia> using DataFrames

julia> df = DataFrame()
0×0 DataFrame

julia> df[:, :x] = rand(5)
5-element Vector{Float64}:
 0.6146045473316457
 0.6319531776216596
 0.599267794937812
 0.40864382019544965
 0.3738682778395166

julia> df[:, :y] = rand(5)
5-element Vector{Float64}:
 0.07891853567296825
 0.2143545316544586
 0.5943274462916335
 0.2182702556068421
 0.5810132720450707

julia> add_minus_two(x,y) = (x-y,x+y)
add_minus_two (generic function with 1 method)

现在你得到：

julia> add_minus_two(df[:,:x], df[:,:y])
([0.5356860116586775, 0.417598645967201, 0.004940348646178538, 0.19037356458860755, -0.2071449942055541], [0.693523083004614, 0.8463077092761182, 1.1935952412294455, 0.6269140758022917, 0.9548815498845873])

julia> add_minus_two.(df[:,:x], df[:,:y])
5-element Vector{Tuple{Float64, Float64}}:
 (0.5356860116586775, 0.693523083004614)
 (0.417598645967201, 0.8463077092761182)
 (0.004940348646178538, 1.1935952412294455)
 (0.19037356458860755, 0.6269140758022917)
 (-0.2071449942055541, 0.9548815498845873)

julia> add_minus_two(df[:,:x], df[:,:y])[2]
5-element Vector{Float64}:
 0.693523083004614
 0.8463077092761182
 1.1935952412294455
 0.6269140758022917
 0.9548815498845873

julia> add_minus_two.(df[:,:x], df[:,:y])[2]
(0.417598645967201, 0.8463077092761182)

julia> getindex.(add_minus_two.(df[:,:x], df[:,:y]), 2) # this is probably what you want
5-element Vector{Float64}:
 0.693523083004614
 0.8463077092761182
 1.1935952412294455
 0.6269140758022917
 0.9548815498845873

现在的重点是，当您编写时：

df[:,"x+y"] = whatever_you_pass

该whatever_you_pass部分必须是AbstractVector具有适当数量的列的。这意味着将起作用的是：

  • add_minus_two.(df[:,:x], df[:,:y])
  • add_minus_two(df[:,:x], df[:,:y])[2]
  • getindex.(add_minus_two.(df[:,:x], df[:,:y]), 2)

并且会失败的是（因为在这些情况下会产生一个Tuplenot AbstractVector）

  • add_minus_two(df[:,:x], df[:,:y])
  • add_minus_two.(df[:,:x], df[:,:y])[2]

从工作语法中选择你想要的。

一般的建议是，当您进行分配时，请始终单独检查 RHS 并分析它是否具有适当的结构。

此外，值得注意的是，这将起作用：

julia> transform(df, [:x, :y] => ByRow(add_minus_two) => ["x-y", "x+y"])
5×4 DataFrame
 Row │ x         y          x-y          x+y
     │ Float64   Float64    Float64      Float64
─────┼────────────────────────────────────────────
   1 │ 0.614605  0.0789185   0.535686    0.693523
   2 │ 0.631953  0.214355    0.417599    0.846308
   3 │ 0.599268  0.594327    0.00494035  1.1936
   4 │ 0.408644  0.21827     0.190374    0.626914
   5 │ 0.373868  0.581013   -0.207145    0.954882

（您还没有问过它，但也许这就是您真正想要的 - 与setindex!此语法相反的是 DataFrames.jl 特定的）

推荐阅读