根据 Pandas 中列的值从DataFrame中选择行 |
您所在的位置：网站首页 › pandas教程dataframe 筛选数据 › 根据 Pandas 中列的值从DataFrame中选择行 |
根据 Pandas 中列的值从DataFrame中选择行
|
如何根据 Pandas 中某些列的值从DataFrame中选择行？在SQL中，可以使用： select * from table where colume_name = some_value.试图看过 Pandas 的文档，但没有找到满意的答案。 最佳解决方案 要选择列的值等于某个值”some_value"的行，请使用==： df.loc[df['column_name'] == some_value]要选择列值在链表some_values中的行，请使用isin： df.loc[df['column_name'].isin(some_values)]将多个条件与&组合使用： df.loc[(df['column_name'] == some_value) & df['other_column'].isin(some_values)]要选择列值不等于some_value的行，请使用!=： df.loc[df['column_name'] != some_value]isin返回一个布尔序列，因此要选择其值不在some_values中的行，使用~取反布尔序列： df.loc[~df['column_name'].isin(some_values)]例如， import pandas as pd import numpy as np df = pd.DataFrame({'A': 'foo bar foo bar foo bar foo foo'.split(), 'B': 'one one two three two two one three'.split(), 'C': np.arange(8), 'D': np.arange(8) * 2}) print(df) # A B C D # 0 foo one 0 0 # 1 bar one 1 2 # 2 foo two 2 4 # 3 bar three 3 6 # 4 foo two 4 8 # 5 bar two 5 10 # 6 foo one 6 12 # 7 foo three 7 14 print(df.loc[df['A'] == 'foo'])输出 A B C D 0 foo one 0 0 2 foo two 2 4 4 foo two 4 8 6 foo one 6 12 7 foo three 7 14如果想包含多个值，把它们放在一个列表中(或者更一般地说，任何可迭代的)并使用isin： print(df.loc[df['B'].isin(['one','three'])])输出 A B C D 0 foo one 0 0 1 bar one 1 2 3 bar three 3 6 6 foo one 6 12 7 foo three 7 14注意，如果希望多次执行此操作，首先创建索引并使用df.loc会更有效： df = df.set_index(['B']) print(df.loc['one'])输出 A C D B one foo 0 0 one bar 1 2 one foo 6 12或者，要包含来自索引的多个值，使用df.index.isin： df.loc[df.index.isin(['one','two'])]输出 A C D B one foo 0 0 one bar 1 2 two foo 2 4 two foo 4 8 two bar 5 10 one foo 6 12次佳解决方案 长话短说 Pandas 相当于 select * from table where column_name = some_value的是 table[table.column_name == some_value]多种条件： table((table.column_name == some_value) | (table.column_name2 == some_value2))或者 table.query('column_name == some_value | column_name2 == some_value2') 代码示例 import pandas as pd # Create data set d = {'foo':[100, 111, 222], 'bar':[333, 444, 555]} df = pd.DataFrame(d) # Full dataframe: df # Shows: # bar foo # 0 333 100 # 1 444 111 # 2 555 222 # Output only the row(s) in df where foo is 222: df[df.foo == 222] # Shows: # bar foo # 2 555 222在上面的代码中，行df[df.foo == 222]给出了基于列值222的行。 多种条件也是可以的： df[(df.foo == 222) | (df.bar == 444)] # bar foo # 1 444 111 # 2 555 222但对于以上情形，我会建议使用查询函数，因为它更简洁，并且会得到相同的结果： df.query('foo == 222 | bar == 444')第三种解决方案 有几种基本的方法可以从 Pandas 数据框中选择行。 布尔索引 位置索引 标签索引 API对于每种基本类型，可以通过将用法限制为 Pandas API来简化事情，或者可以在API之外进行冒险，通常使用numpy，可以加快速度。 下面正对每种情形给出例子，并说明何时使用哪些技术。 设置我们需要的第一件事是确定一个条件，它将作为我们选择行的标准。 沿用上文的column_name == some_value，我们从这里开始并包含一些其他常见用例。 import pandas as pd, numpy as np df = pd.DataFrame({'A': 'foo bar foo bar foo bar foo foo'.split(), 'B': 'one one two three two two one three'.split(), 'C': np.arange(8), 'D': np.arange(8) * 2})假设我们的标准是列'A' = 'foo' 1.布尔索引需要找到每行的'A'列的真值等于'foo'，然后使用这些真值来确定要保留的行。通常，我们将这个系列命名为一组真值mask： mask = df['A'] == 'foo'然后我们可以使用这个掩码来对数据帧进行分片或索引 df[mask] A B C D 0 foo one 0 0 2 foo two 2 4 4 foo two 4 8 6 foo one 6 12 7 foo three 7 14这是完成这项任务最简单的方法之一，如果性能或直觉不成问题，这应该是要选择的方法。但是，如果性能是一个问题，那么您可能需要考虑另一种创建mask的方法。 2.位置索引。为了确定切片的位置，我们首先需要执行与上面相同的布尔分析。这让我们执行一个额外的步骤来完成相同的任务。 mask = df['A'] == 'foo' pos = np.flatnonzero(mask) df.iloc[pos] A B C D 0 foo one 0 0 2 foo two 2 4 4 foo two 4 8 6 foo one 6 12 7 foo three 7 143.标签索引可以非常方便 df.set_index('A', append=True, drop=False).xs('foo', level=1) A B C D 0 foo one 0 0 2 foo two 2 4 4 foo two 4 8 6 foo one 6 12 7 foo three 7 144. pd.DataFrame.query是一种非常优雅/直观的执行此任务的方式。但通常会比较慢。但是，如果您注意以下时间，对于大数据，查询非常有效。 df.query('A == "foo"') A B C D 0 foo one 0 0 2 foo two 2 4 4 foo two 4 8 6 foo one 6 12 7 foo three 7 14我的首选是使用Boolean mask 通过修改我们创建Boolean mask的方式可以实现实际的改进。 mask替代方法1 使用底层的numpy数组并放弃创建另一个pd.Series的开销 mask = df['A'].values == 'foo'我将在最后展示更完整的时间测试，但只要看看使用示例数据框所获得的性能提升。首先我们看看创建mask的差异 %timeit mask = df['A'].values == 'foo' %timeit mask = df['A'] == 'foo' 5.84 µs ± 195 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each) 166 µs ± 4.45 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)使用numpy阵列评估mask的速度要快30倍。部分原因是numpy评估速度更快。这也部分归因于缺少构建索引和相应的pd.Series对象所需的开销。 接下来我们将看一个mask与另一个mask切片的时间。 mask = df['A'].values == 'foo' %timeit df[mask] mask = df['A'] == 'foo' %timeit df[mask] 219 µs ± 12.3 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each) 239 µs ± 7.03 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)性能提升并不明显。我们会看看这是否能够通过更强大的测试。 mask替代方案2 我们也可以重构数据框。重建数据框时有一个很大的警告 – 当你这样做时你必须考虑到dtypes！ 我们会这样做，而不是df[mask] pd.DataFrame(df.values[mask], df.index[mask], df.columns).astype(df.dtypes)如果数据帧是混合类型，就像我们的例子一样，那么当我们得到df.values时，得到的数组是dtype object，因此新数据帧的所有列将是dtype object。因此需要astype(df.dtypes)，这会消除掉潜在的性能收益。 %timeit df[m] %timeit pd.DataFrame(df.values[mask], df.index[mask], df.columns).astype(df.dtypes) 216 µs ± 10.4 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each) 1.43 ms ± 39.6 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)但是，如果DataFrame不是混合类型的，这是一个非常有用的方法。 给定 np.random.seed([3,1415]) d1 = pd.DataFrame(np.random.randint(10, size=(10, 5)), columns=list('ABCDE')) d1 A B C D E 0 0 2 7 3 8 1 7 0 6 8 6 2 0 2 0 4 9 3 7 3 2 4 3 4 3 6 7 7 4 5 5 3 7 5 9 6 8 7 6 4 7 7 6 2 6 6 5 8 2 8 7 5 8 9 4 7 6 1 5 %%timeit mask = d1['A'].values == 7 d1[mask] 179 µs ± 8.73 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)与 %%timeit mask = d1['A'].values == 7 pd.DataFrame(d1.values[mask], d1.index[mask], d1.columns) 87 µs ± 5.12 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)我们把时间缩短了一半。 mask备选3 也可以使用pd.Series.isin来说明df['A']中的每个元素都是一组值。如果我们的值集合是一组值，即'foo'，则这将评估为相同的结果。但是如果需要的话，它也可以推广到包括更大的值集合。事实证明，尽管这是一个更为通用的解决方案，但它仍然可以非常快。对于那些不熟悉这个概念的人来说，唯一真正的损失是不太直观。 mask = df['A'].isin(['foo']) df[mask] A B C D 0 foo one 0 0 2 foo two 2 4 4 foo two 4 8 6 foo one 6 12 7 foo three 7 14但是，和以前一样，我们可以利用numpy来改善性能。我们将使用np.in1d mask = np.in1d(df['A'].values, ['foo']) df[mask] A B C D 0 foo one 0 0 2 foo two 2 4 4 foo two 4 8 6 foo one 6 12 7 foo three 7 14时间 我将包括其他文章中提到的其他概念，以供参考。代码如下 此表中的每个列表示一个不同长度的数据帧，我们将在其中测试每个函数。每列显示相对所需的时间，以1.0的基础索引为基础给出最快的函数。 res.div(res.min()) 10 30 100 300 1000 3000 10000 30000 mask_standard 2.156872 1.850663 2.034149 2.166312 2.164541 3.090372 2.981326 3.131151 mask_standard_loc 1.879035 1.782366 1.988823 2.338112 2.361391 3.036131 2.998112 2.990103 mask_with_values 1.010166 1.000000 1.005113 1.026363 1.028698 1.293741 1.007824 1.016919 mask_with_values_loc 1.196843 1.300228 1.000000 1.000000 1.038989 1.219233 1.037020 1.000000 query 4.997304 4.765554 5.934096 4.500559 2.997924 2.397013 1.680447 1.398190 xs_label 4.124597 4.272363 5.596152 4.295331 4.676591 5.710680 6.032809 8.950255 mask_with_isin 1.674055 1.679935 1.847972 1.724183 1.345111 1.405231 1.253554 1.264760 mask_with_in1d 1.000000 1.083807 1.220493 1.101929 1.000000 1.000000 1.000000 1.144175您会注意到最快的时间似乎在mask_with_values和mask_with_in1d之间共享 res.T.plot(loglog=True)
函数 def mask_standard(df): mask = df['A'] == 'foo' return df[mask] def mask_standard_loc(df): mask = df['A'] == 'foo' return df.loc[mask] def mask_with_values(df): mask = df['A'].values == 'foo' return df[mask] def mask_with_values_loc(df): mask = df['A'].values == 'foo' return df.loc[mask] def query(df): return df.query('A == "foo"') def xs_label(df): return df.set_index('A', append=True, drop=False).xs('foo', level=-1) def mask_with_isin(df): mask = df['A'].isin(['foo']) return df[mask] def mask_with_in1d(df): mask = np.in1d(df['A'].values, ['foo']) return df[mask]测试 res = pd.DataFrame( index=[ 'mask_standard', 'mask_standard_loc', 'mask_with_values', 'mask_with_values_loc', 'query', 'xs_label', 'mask_with_isin', 'mask_with_in1d' ], columns=[10, 30, 100, 300, 1000, 3000, 10000, 30000], dtype=float ) for j in res.columns: d = pd.concat([df] * j, ignore_index=True) for i in res.index:a stmt = '{}(d)'.format(i) setp = 'from __main__ import d, {}'.format(i) res.at[i, j] = timeit(stmt, setp, number=50)特殊时间查看整个数据帧的单个non-object dtype时的特殊情况。代码如下 spec.div(spec.min()) 10 30 100 300 1000 3000 10000 30000 mask_with_values 1.009030 1.000000 1.194276 1.000000 1.236892 1.095343 1.000000 1.000000 mask_with_in1d 1.104638 1.094524 1.156930 1.072094 1.000000 1.000000 1.040043 1.027100 reconstruct 1.000000 1.142838 1.000000 1.355440 1.650270 2.222181 2.294913 3.406735。 spec.T.plot(loglog=True)
函数 np.random.seed([3,1415]) d1 = pd.DataFrame(np.random.randint(10, size=(10, 5)), columns=list('ABCDE')) def mask_with_values(df): mask = df['A'].values == 'foo' return df[mask] def mask_with_in1d(df): mask = np.in1d(df['A'].values, ['foo']) return df[mask] def reconstruct(df): v = df.values mask = np.in1d(df['A'].values, ['foo']) return pd.DataFrame(v[mask], df.index[mask], df.columns) spec = pd.DataFrame( index=['mask_with_values', 'mask_with_in1d', 'reconstruct'], columns=[10, 30, 100, 300, 1000, 3000, 10000, 30000], dtype=float )测试 for j in spec.columns: d = pd.concat([df] * j, ignore_index=True) for i in spec.index: stmt = '{}(d)'.format(i) setp = 'from __main__ import d, {}'.format(i) spec.at[i, j] = timeit(stmt, setp, number=50)第四种方案 感觉前述的答案的语法冗余且难以记住 。 Pandas在v0.13中引入了query()方法，我更喜欢它。对于上面的问题，可以用df.query('col == val') 转载自http://pandas.pydata.org/pandas-docs/version/0.17.0/indexing.html#indexing-query In [167]: n = 10 In [168]: df = pd.DataFrame(np.random.rand(n, 3), columns=list('abc')) In [169]: df Out[169]: a b c 0 0.687704 0.582314 0.281645 1 0.250846 0.610021 0.420121 2 0.624328 0.401816 0.932146 3 0.011763 0.022921 0.244186 4 0.590198 0.325680 0.890392 5 0.598892 0.296424 0.007312 6 0.634625 0.803069 0.123872 7 0.924168 0.325076 0.303746 8 0.116822 0.364564 0.454607 9 0.986142 0.751953 0.561512 # pure python In [170]: df[(df.a < df.b) & (df.b < df.c)] Out[170]: a b c 3 0.011763 0.022921 0.244186 8 0.116822 0.364564 0.454607 # query In [171]: df.query('(a < b) & (b < c)') Out[171]: a b c 3 0.011763 0.022921 0.244186 8 0.116822 0.364564 0.454607您也可以通过预先配置@来访问环境中的变量。 exclude = ('red', 'orange') df.query('color not in @exclude')第五种方案 这是一个简单的例子 from pandas import DataFrame # Create data set d = {'Revenue':[100,111,222], 'Cost':[333,444,555]} df = DataFrame(d) # mask = Return True when the value in column "Revenue" is equal to 111 mask = df['Revenue'] == 111 print mask # Result: # 0 False # 1 True # 2 False # Name: Revenue, dtype: bool # Select * FROM df WHERE Revenue = 111 df[mask] # Result: # Cost Revenue # 1 444 111
第六种方案 使用numpy.where可以获得更快的结果。 例如，使用unubtu’s setup – In [76]: df.iloc[np.where(df.A.values=='foo')] Out[76]: A B C D 0 foo one 0 0 2 foo two 2 4 4 foo two 4 8 6 foo one 6 12 7 foo three 7 14时间比较： In [68]: %timeit df.iloc[np.where(df.A.values=='foo')] # fastest 1000 loops, best of 3: 380 µs per loop In [69]: %timeit df.loc[df['A'] == 'foo'] 1000 loops, best of 3: 745 µs per loop In [71]: %timeit df.loc[df['A'].isin(['foo'])] 1000 loops, best of 3: 562 µs per loop In [72]: %timeit df[df.A=='foo'] 1000 loops, best of 3: 796 µs per loop In [74]: %timeit df.query('(A=="foo")') # slowest 1000 loops, best of 3: 1.71 ms per loop 参考资料 Select rows from a DataFrame based on values in a column in pandas
|
【本文地址】
今日新闻 |
推荐新闻 |