如何根据列值从数据帧中选择行
如何根据Pandas中某个列中的值从DataFrame中选择行？
在SQL中，我将使用：
SELECT *
FROM table
WHERE colume_name = some_value
我试图查看熊猫的文档，但我没有立即找到答案。
共有3个答案
熊猫相当于
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')
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]根据列值给出行，在本例中为222。
也有多种情况：
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')
有几种方法可以从Pandas数据帧中选择行：
- 布尔索引(
df[df['col']==value]) - 位置索引(
df.iloc[...]) - 标签索引(
df.xs(...)) df.query（...）API
下面我向您展示了每种方法的示例，并给出了何时使用某些技术的建议。假设我们的标准是列“a”==“foo”
（关于性能的注意：对于每个基类型，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，通常使用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，作为选择行的标准。我们将从OP的案例column_name==some_value开始，并包括一些其他常见的用例。
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})
...布尔索引要求找到每一行的“a”列等于“foo”的真值，然后使用这些真值确定要保留哪些行。通常，我们将这个系列（一个真值数组）命名为mask。我们在这里也会这样做。
mask = df['A'] == 'foo'
然后，我们可以使用该掩码对数据帧进行切片或索引
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
这是完成这项任务最简单的方法之一，如果性能或直觉不是问题，这应该是你选择的方法。但是，如果性能是一个问题，那么您可能需要考虑创建掩码的替代方法。
位置索引(df.iloc[...])有其用例，但这不是其中之一。为了确定在哪里进行切片，我们首先需要执行我们在上面所做的相同的布尔分析。这使得我们需要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 14
标签索引可能非常方便，但在这种情况下，我们再次做了更多的工作却没有任何好处
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
pd.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，如果你注意下面的timings，对于大数据，查询是非常高效的。这比标准的方法更重要，而且与我最好的建议的重要性相似。
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
我首选使用布尔掩码
通过修改我们创建布尔掩码的方式，可以进行实际的改进。
mask备选方案1使用基础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，但只需看看我们使用示例数据帧获得的性能增益。首先，我们看看创建掩码的区别
%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数组计算掩码的速度要快大约30倍。这在一定程度上是由于麻木的评估往往更快。部分原因还在于缺乏构建索引和相应的pd.series对象所必需的开销。
接下来，我们将研究使用一个mask和另一个进行切片的时间。
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)
业绩增长并不明显。我们将看看这是否能在更强大的测试中站得住脚。
掩码替代方案2我们也可以重建数据帧。重构数据帧时有一个很大的警告--在重构时必须注意dtypes！
而不是df[mask]我们将这样做
pd.DataFrame(df.values[mask], df.index[mask], df.columns).astype(df.dtypes)
如果数据帧是混合类型（我们的示例就是这样），那么当我们获得df.values时，得到的数组是dtypeobject，因此，新数据帧的所有列都将是dtypeobject。因此需要aStype(df.dtypes)并扼杀任何潜在的性能增益。
%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，如果数据帧不是混合型的，这是一种非常有用的方法。
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)
范瑟丝
%%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。
掩码备选方案3
@unutbu还向我们展示了如何使用pd.series.isin来说明df['a']的每个元素在一组值中。如果我们的值集是一个值的集，即'foo'，则计算结果是相同的。但如果需要,它还可以泛化包含更大的值集。事实证明，这仍然是相当快的，即使它是一个更通用的解决方案。对于那些不熟悉这个概念的人来说，唯一真正的损失是在直觉上。
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，与前面一样，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
我将包括其他文章中提到的其他概念，以供参考。
下面的代码
该表中的每一列都表示一个不同长度的数据帧，我们在该数据帧上测试每个函数。每列显示所用的相对时间，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
您将注意到，最快的时间似乎是在mask_with_values和mask_with_in1d之间共享的。
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)
特殊定时
当我们为整个数据帧使用单个非对象dtype时，我们来看看这种特殊情况。
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
结果，重建不值得花几百行。
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
)
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)
若要选择列值等于标量some_value的行，请使用==:
df.loc[df['column_name'] == some_value]
若要选择列值在可迭代some_values中的行，请使用isin:
df.loc[df['column_name'].isin(some_values)]
使用&组合多个条件：
df.loc[(df['column_name'] >= A) & (df['column_name'] <= B)]
注意括号。由于Python的运算符优先规则，&比<=和>=绑定得更紧密。因此，最后一个示例中的括号是必要的。没有括号
df['column_name'] >= A & df['column_name'] <= B
解析为
df['column_name'] >= (A & df['column_name']) <= B
这导致一个序列的真值是歧义误差。
若要选择列值不等于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，请使用~否定该布尔序列：
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'])
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
如果您有多个要包含的值，请将它们放入列表中（或者更一般地，任何可迭代的值），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，如果希望多次执行此操作，则首先创建索引，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
-
我试图查看熊猫的文档，但我没有立即找到答案。
-
这不是一个重复的问题，但类似于 根据pandas中列中的值从数据帧中选择行
-
问题内容： 如何DataFrame基于Python Pandas中某些列的值从中选择行？ 在SQL中，我将使用： 问题答案： 要选择列值等于标量的行，请使用： 要选择列值可迭代的行，请使用： 结合以下条件： 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。没有括号 被解析为 这导致一个系列的真值是模棱两可的错误。 要选择列值不相等的行 ，请使用：
-
我在Python中使用一个视频游戏的熊猫DataFrame，每个游戏都有一种类型。我正在尝试删除任何在DataFrame中出现次数少于一定次数的类型的视频游戏，但我不知道该怎么做。我确实发现了一个StackOverflow问题，这个问题似乎是相关的，但我根本无法破译这个解决方案（可能是因为我从未听说过R，而且我对函数编程的记忆充其量也很生疏）。 帮助？
-
我有以下数据框： 我有以下一些位于美国的城市列表： 我想在数据框中只保留列表\u americ中国家的“名称”。因此，我尝试执行以下代码： 此代码产生以下错误： 我希望输出为：
-
问题内容： 我有一个名为@status的变量，该变量在此select语句之前设置： 我只想选择if列，否则我想为shipwith选择null。我该如何完成？ 问题答案：