如何基于Python Pandas中某些列的值从DataFrame
中选择行?
在SQL中,我将使用:
SELECT *
FROM table
WHERE colume_name = some_value
我试图查看熊猫文档,但没有立即找到答案。
要选择列值等于标量some_value
的行,请使用==
:
df.loc[df['column_name'] == some_value]
要选择其列值为可迭代的行some_values
,请使用isin
:
df.loc[df['column_name'].isin(some_values)]
用&
组合多个条件:
df.loc[(df['column_name'] >= A) & (df['column_name'] <= B)]
注意括号。由于Python的operator precedence rules,&
的绑定比<=
和>=
更紧密。因此,最后一个示例中的括号是必需的。没有括号
df['column_name'] >= A & df['column_name'] <= B
解析为
df['column_name'] >= (A & df['column_name']) <= B
这导致Truth value of a Series is ambiguous error。
要选择列值不等于的行some_value
,请使用!=
:
df.loc[df['column_name'] != some_value]
isin
返回一个布尔序列,因此要选择some_values
中值为not的行,请使用~
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'])
产量
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
如果要包含多个值,请将它们放在列出(或更普遍地说,是任何可迭代的)并使用isin
:
print(df.loc[df['B'].isin(['one','three'])])
产量
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
但是请注意,如果您希望多次执行此操作,首先创建一个索引,然后使用df.loc
:
df = df.set_index(['B'])
print(df.loc['one'])
产量
A C D
B
one foo 0 0
one bar 1 2
one foo 6 12
或者,要包含索引中的多个值,请使用df.index.isin
:
df.loc[df.index.isin(['one','two'])]
产量
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
您也可以使用.apply:
Original dataframe:
A B
0 foo one
1 bar one
2 foo two
3 bar three
4 foo two
5 bar two
6 foo one
7 foo three
Sub dataframe where B is two:
A B
0 foo two
1 foo two
2 bar two
相当于]的熊猫>
select * from table where column_name = some_value
是
table[table.column_name == some_value]
多个条件:
table[(table.column_name == some_value) | (table.column_name2 == some_value2)]
或
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,
df[df.foo == 222]
行基于列值给出行,在这种情况下为222
。
也可能有多个条件:
df[(df.foo == 222) | (df.bar == 444)] # bar foo # 1 444 111 # 2 555 222
但是在那一点上,我建议使用query函数,因为它不那么冗长,并且会产生相同的结果:
df.query('foo == 222 | bar == 444')
有几种方法可以从熊猫数据框中选择行:
我发现先前答案的语法是多余的,很难记住。熊猫在v0.13中引入了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)
方法,我更喜欢它。对于您的问题,您可以执行query()
使用exclude = ('red', 'orange')
df.query('color not in @exclude')
可以实现更快的结果。
例如,使用numpy.where-
这是一个简单的示例
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
对于在熊猫中给定值,仅从多个列中选择特定列:
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
df.query['column_name' == 'some_value'][[col_name1, col_name2]]
和.query
结合使用可带来更大的灵活性:[2019年8月更新的答案
附加到这个著名的问题(虽然为时已晚):您也可以执行 Sender email
1 [email protected]
2 [email protected]
来制作一个新的数据帧,其中指定列具有特定值。例如:
df.groupby('column_name').get_group('column_desired_value').reset_index()