如何通过regex从数据框中选择列

Question

我在python pandas中有一个数据帧。数据帧的结构如下：

   a    b    c    d1   d2   d3 
   10   14   12   44  45    78

我想选择以d开头的列。有没有一种简单的方法来实现这一点在python中。

Answer 1

你可以这样使用DataFrame.filter：

import pandas as pd

df = pd.DataFrame(np.array([[2,4,4],[4,3,3],[5,9,1]]),columns=['d','t','didi'])
>>
   d  t  didi
0  2  4     4
1  4  3     3
2  5  9     1

df.filter(regex=("d.*"))

>>
   d  didi
0  2     4
1  4     3
2  5     1

想法是通过regex选择列

Answer 2

使用select：

import pandas as pd

df = pd.DataFrame([[10, 14, 12, 44, 45, 78]], columns=['a', 'b', 'c', 'd1', 'd2', 'd3'])

df.select(lambda col: col.startswith('d'), axis=1)

结果：

   d1  d2  d3
0  44  45  78

如果您对正则表达式不满意，这是一个很好的解决方案。

Answer 3

您可以使用列表推导来迭代DataFrame df中的所有列名称，然后仅选择以“d”开头的列名称。

df = pd.DataFrame({'a': {0: 10}, 'b': {0: 14}, 'c': {0: 12},
                   'd1': {0: 44}, 'd2': {0: 45}, 'd3': {0: 78}})

使用list comprehension迭代数据框中的列并返回它们的名称（下面的c是表示列名的局部变量）。

>>> [c for c in df]
['a', 'b', 'c', 'd1', 'd2', 'd3']

然后只选择以'd'开头的那些。

>>> [c for c in df if c[0] == 'd']  # As an alternative to c[0], use c.startswith(...)
['d1', 'd2', 'd3']

最后，将此列列表传递给DataFrame。

df[[c for c in df if c.startswith('d')]]
>>> df
   d1  d2  d3
0  44  45  78

===========================================================================

TIMINGS（2018年2月发表的每篇评论来自devinbost声称这种方法很慢......）

首先，让我们创建一个包含30k列的数据框：

n = 10000
cols = ['{0}_{1}'.format(letters, number) 
        for number in range(n) for letters in ('d', 't', 'didi')]
df = pd.DataFrame(np.random.randn(3, n * 3), columns=cols)
>>> df.shape
(3, 30000)

>>> %timeit df[[c for c in df if c[0] == 'd']]  # Simple list comprehension.
# 10 loops, best of 3: 16.4 ms per loop

>>> %timeit df[[c for c in df if c.startswith('d')]]  # More 'pythonic'?
# 10 loops, best of 3: 29.2 ms per loop

>>> %timeit df.select(lambda col: col.startswith('d'), axis=1)  # Solution of gbrener.
# 10 loops, best of 3: 21.4 ms per loop

>>> %timeit df.filter(regex=("d.*"))  # Accepted solution.
# 10 loops, best of 3: 40 ms per loop

Answer 4

特别是在更大的数据集上，矢量化方法实际上要快得多（超过两个数量级）并且更具可读性。我提供截图作为证据。 （注意：除了我在底部写的最后几行用矢量化方法表明我的观点，其他代码来自@Alexander的答案。）

这是代码供参考：

import pandas as pd
import numpy as np
n = 10000
cols = ['{0}_{1}'.format(letters, number) 
        for number in range(n) for letters in ('d', 't', 'didi')]
df = pd.DataFrame(np.random.randn(30000, n * 3), columns=cols)

%timeit df[[c for c in df if c[0] == 'd']]

%timeit df[[c for c in df if c.startswith('d')]]

%timeit df.select(lambda col: col.startswith('d'), axis=1)

%timeit df.filter(regex=("d.*"))

%timeit df.filter(like='d')

%timeit df.filter(like='d', axis=1)

%timeit df.filter(regex=("d.*"), axis=1)

%timeit df.columns.map(lambda x: x.startswith("d"))

columnVals = df.columns.map(lambda x: x.startswith("d"))

%timeit df.filter(columnVals, axis=1)

Answer 5

你也可以使用

df.filter(regex='^d')