网友问题:
如何根据 Pandas 中某些列中的值从数据帧中选择行?
在SQL中,我会使用:
SELECT *
FROM table
WHERE column_name = some_value
网友回答:
有几种方法可以从 Pandas 数据框中选择行:
df[df['col'] == 值]
)df.iloc[...]
)df.xs(...))
df.query(...)
应用程序接口下面我向您展示每种技术的示例,并建议何时使用某些技术。假设我们的标准是列'A'
== 'foo'
(关于性能的说明:对于每种基本类型,我们可以通过使用 Pandas API 来保持简单,或者我们可以在 API 之外冒险,通常是进入 NumPy,并加快速度。
设置
我们需要做的第一件事是确定一个条件,该条件将作为我们选择行的标准。我们将从OP的案例开始,并包括一些其他常见的用例。column_name == some_value
借用@unutbu:
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})
…布尔索引需要查找每行列等于 的真实值,然后使用这些真值来标识要保留的行。通常,我们会将此系列命名为真值数组。我们也会在这里这样做。'A'
'foo'
mask
mask = df['A'] == 'foo'
然后,我们可以使用此掩码对数据框进行切片或索引
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
这是完成此任务的最简单方法之一,如果性能或直观性不是问题,这应该是您选择的方法。但是,如果性能是一个问题,则可能需要考虑创建 .mask
位置索引 () 有其用例,但这不是其中之一。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。df.iloc[...]
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 14
标签索引可能非常方便,但在这种情况下,我们再次做更多的工作而没有好处
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 14
df.query()
APIPD.DataFrame.query
是执行此任务的一种非常优雅/直观的方法,但通常速度较慢。但是,如果您注意下面的计时,对于大数据,查询非常有效。比标准方法更是如此,并且与我的最佳建议相似。
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
我的偏好是使用Boolean
mask
可以通过修改我们创建 .Boolean
mask
掩码
备选方案 1
使用底层 NumPy 数组,放弃创建另一个 pd 的开销。系列
mask = df['A'].values == 'foo'
最后我将展示更完整的时间测试,但只需看一下我们使用示例数据帧获得的性能提升。首先,我们看看创建mask
%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 数组评估速度快 ~ 30 倍。这部分是由于NumPy评估通常更快。这也部分是由于缺乏构建索引和相应对象所需的开销。mask
pd.Series
接下来,我们将研究一个切片与另一个切片的时机。mask
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)
性能提升并不那么明显。我们将看看这是否经得起更强大的测试。
掩码
备选方案 2
我们也可以重建数据框。重建数据帧时有一个很大的警告 – 在重建数据帧时必须注意!dtypes
而不是我们会这样做df[mask]
pd.DataFrame(df.values[mask], df.index[mask], df.columns).astype(df.dtypes)
如果数据框是混合类型,我们的示例就是这样,那么当我们得到结果数组时,结果数组是 of ,因此,新数据框的所有列都将是 .从而要求 并扼杀任何潜在的性能收益。df.values
dtype
object
dtype
object
astype(df.dtypes)
%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,如果数据框不是混合类型,则这是一种非常有用的方法。
鉴于
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)
对
%%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)
我们将时间缩短了一半。
面具
替代品 3
@unutbu还向我们展示了如何使用来解释一组值中的每个元素。如果我们的值集是一个值的集合,则计算结果相同,即 .但它也可以概括为在需要时包含更大的值集。事实证明,即使它是一个更通用的解决方案,这仍然非常快。唯一真正的损失是那些不熟悉这个概念的人的直观性。pd.Series.isin
df['A']
'foo'
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 来提高性能,同时几乎不牺牲任何东西。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
定时
我将包括其他帖子中提到的其他概念以供参考。
下面的代码
此表中的每一列表示一个不同长度的数据框,我们测试每个函数。每列显示所花费的相对时间,最快的函数的基本索引为 .1.0
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 和 之间共享。mask_with_values
mask_with_in1d
res.T.plot(loglog=True)
功能
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
查看整个数据框只有一个非对象的特殊情况。dtype
下面的代码
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
事实证明,重建不值得超过几百行。
spec.T.plot(loglog=True)
功能
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
)
Testing
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)
网友回答:
要选择列值等于标量的行,请使用:some_value
==
df.loc[df['column_name'] == some_value]
要选择其列值位于可迭代对象中的行,请使用 :some_values
isin
df.loc[df['column_name'].isin(some_values)]
将多个条件与 :&
df.loc[(df['column_name'] >= A) & (df['column_name'] <= B)]
请注意括号。由于 Python 的运算符优先级规则,绑定比 和 更紧密。因此,最后一个示例中的括号是必需的。不带括号&
<=
>=
df['column_name'] >= A & df['column_name'] <= B
解析为
df['column_name'] >= (A & df['column_name']) <= B
这导致序列的真值是不明确的错误。
要选择列值不等于的行,请使用:some_value
!=
df.loc[df['column_name'] != some_value]
isin
返回布尔序列,因此要选择值不在 中的行,请使用以下命令否定布尔序列:some_values
~
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'])
收益 率
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,请将它们放在列表中
(或更一般地说,任何可迭代对象)并使用:isin
print(df.loc[df['B'].isin(['one','three'])])
收益 率
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,则先
创建索引,然后使用:df.loc
df = df.set_index(['B'])
print(df.loc['one'])
收益 率
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'])]
收益 率
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
网友回答:
The Pandas equivalent to
select * from table where column_name = some_value
is
table[table.column_name == some_value]
Multiple conditions:
table[(table.column_name == some_value) | (table.column_name2 == some_value2)]
or
table.query('column_name == some_value | column_name2 == some_value2')
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
在本例中,在上面的代码中,它是根据列值给出行的行。df[df.foo == 222]
222
也可以满足多种条件:
df[(df.foo == 222) | (df.bar == 444)]
# bar foo
# 1 444 111
# 2 555 222
但在这一点上,我建议使用查询函数,因为它不那么冗长并且产生相同的结果:
df.query('foo == 222 | bar == 444')
模板简介:该模板名称为【如何根据 Pandas 中某些列中的值从数据帧中选择行?】,大小是暂无信息,文档格式为.编程语言,推荐使用Sublime/Dreamweaver/HBuilder打开,作品中的图片,文字等数据均可修改,图片请在作品中选中图片替换即可,文字修改直接点击文字修改即可,您也可以新增或修改作品中的内容,该模板来自用户分享,如有侵权行为请联系网站客服处理。欢迎来懒人模板【Pandas】栏目查找您需要的精美模板。