Dies ist ein minimales Beispiel für das Problem:
import pandas as pd
example = pd.DataFrame(index=pd.np.arange(2) , columns=['A', 'B', 'C']).astype('object')
example.loc[0] = [['a'], 'b', [1,2,3]]
example.loc[1] = ['a', 'b', [1,2,3]]
Ich bekomme ein ValueError: setting an array element with a sequence
So sieht der DataFrame in Spyder aus: 
Ich verstehe nicht, warum das erste Element "verschachtelt" sein muss. Warum funktioniert die zweite Reihe nicht? Was mache ich falsch? Bitte schauen Sie sich die zweite Spalte an, in der 'b' direkt eingefügt werden kann.
Ich habe für die Antwort gestimmt, die mir persönlich am besten gefällt, von allen drei Arbeitslösungen, die freundlicherweise zur Verfügung gestellt wurden. Ich finde es etwas pythonischer als die anderen Antworten und außerdem ist es auch das schnellste . Einen Geschwindigkeitsvergleich finden Sie in diesem Beitrag unter
4 Antworten
Sie stoßen an die Grenzen der Pandas. Es ist nicht gut im Umgang mit Objekten höherer Ebenen. Also müssen wir vorsichtig sein.
In Ihrem Fall sieht Pandas nicht sofort, dass es sich um ein Array von Objekten handelt, und schlägt fehl, wenn die Sequenz erreicht wird.
Umgehen
Eingewickelt in ein Serienobjekt
import pandas as pd
example = pd.DataFrame(index=pd.np.arange(2) , columns=['A', 'B', 'C']).astype('object')
example.loc[0] = [['a'], 'b', [1,2,3]]
example.loc[1] = pd.Series(['a', 'b', [1,2,3]], example.columns)
example
A B C
0 [a] b [1, 2, 3]
1 a b [1, 2, 3]
Pandas funktionieren nicht gut mit nicht skalaren Daten, die meisten Funktionen von Pandas und Numpy wären unerreichbar. Eine Lösung für Ihr Problem besteht darin, die Verwendung von Arrays in loc und die explizite Indizierung von Zellen zu vermeiden.
example.loc[1, “C”] = [1, 2, 3] #This works
for val, col in zip(['a', 'b', [1,2,3]], example.columns):
example.loc[1, col] = val
Pandas ist nicht dafür ausgelegt, Sammlungen als Elemente von Serien zu speichern.
Dies zeigt sich nicht nur in Ihrer spezifischen Aufgabe, sondern auch in andere pandas Funktionen ebenfalls. Manchmal ist es ein Fehler, manchmal eine unbeabsichtigte Konsequenz, manchmal beabsichtigt.
Eine alternative Methode funktioniert, wenn Sie Ihren Index nicht vorher festlegen:
import pandas as pd
example = pd.DataFrame(columns=['A', 'B', 'C']).astype('object')
example.loc[0] = [['a'], 'b', [1,2,3]]
example.loc[1] = ['a', 'b', [1,2,3]]
print(example)
# A B C
# 0 [a] b [1, 2, 3]
# 1 a b [1, 2, 3]
Alle drei Antworten funktionieren! Aber welches ist das schnellste?
Alle drei bereitgestellten Lösungen von piRSquared, > jpp, iDrwish funktionieren
In meinen Fragen habe ich nicht nach einer schnellen Lösung gefragt. Daher beantworte ich diesen zusätzlichen Teil der Frage nur mit einem zeitlichen Vergleich aller drei Optionen. Das Ergebnis des Vergleichs (Code unten) ist:
Result piRSquared(): 37.966
Result jpp(): 114.580
Result iDrwish(): 154.336
Der Arbeitscode für den Test lautet:
import pandas as pd
import timeit
rows=5000
def iDrwish():
example1 = pd.DataFrame(index = pd.np.arange(rows), columns=['A', 'B', 'C']).astype('object')
for row in range(rows):
for val, col in zip(['a', 'b', [1,2,3]], example1.columns):
example1.loc[rows, col] = val
def jpp():
example2 = pd.DataFrame(columns=['A', 'B', 'C']).astype('object')
for row in range(rows):
example2.loc[row] = ['a', 'b', [1,2,3]]
def piRSquared():
example3 = pd.DataFrame(index = pd.np.arange(rows), columns=['A', 'B', 'C']).astype('object')
for row in range(rows):
example3.loc[row] = pd.Series(['a', 'b', [1,2,3]])
if __name__ == '__main__':
print('Result piRSquared(): ' + str(timeit.timeit(piRSquared, number = 11)))
print('Result jpp(): ' + str(timeit.timeit(jpp, number = 11)))
print('Result iDrwish(): ' + str(timeit.timeit(iDrwish, number = 11)))