追加 - python 行 抽出




Pandas の列の値に基づいてDataFrameから行を選択する (8)

どのようにpandasのいくつかの列の値に基づいてDataFrameから行を選択するには?
SQLでは次のものを使用します。

select * from table where colume_name = some_value. 

私はpandasのドキュメントを見ようとしましたが、すぐに回答を見つけることはできませんでした。


tl; dr

パンダは

select * from table where column_name = some_value

table[table.column_name == some_value]

複数の条件:

table[(table.column_name == some_value) | (table.column_name2 == some_value2)]

または

table.query('column_name == some_value | column_name2 == some_value2')

コード例

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

上記のコードでは、行df[df.foo == 222]は列の値に基づいて行を与える行222です(この場合は222

複数の条件も可能です:

df[(df.foo == 222) | (df.bar == 444)]
#    bar  foo
# 1  444  111
# 2  555  222

しかし、その時点では、 query関数を使用することをお勧めしqueryこれは、あまり冗長ではなく、同じ結果をもたらすからです。

df.query('foo == 222 | bar == 444')

numpy.whereを使用すると、より高速な結果が得られます。

たとえば、 unubtuの設定では、

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

タイミングの比較:

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

ここに簡単な例があります

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

パンダのデータフレームから行を選択するには、いくつかの基本的な方法があります。

  1. ブールインデックス
  2. 位置インデックス作成
  3. ラベルのインデックス作成
  4. API

基本タイプごとに、パンダのAPIに制限することで単純なものにすることができます。また、APIの外で、通常はnumpyにして、処理速度を上げることができます。

私はそれぞれの例を紹介し、いつどのようなテクニックを使うべきかを指導します。

セットアップ
最初に必要なのは、行を選択するための基準として機能する条件を特定することです。 OPはcolumn_name == some_value提供します。 ここから始めて、その他の一般的な使用例をいくつか紹介します。

@unutbuからの借用

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})

私たちの基準は列'A' = 'foo'

1。
ブール索引付けでは、各行の'A'列の真偽値を'foo'から、その真偽値を使用してどの行を保持するのかを特定する必要があります。 通常、このシリーズは、真理値の配列mask名前になります。 私たちはここでもそうします。

mask = df['A'] == 'foo'

このマスクを使用して、データフレームをスライスまたはインデックスすることができます

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

これはこのタスクを達成する最も簡単な方法の1つであり、パフォーマンスや直感性が問題でない場合は、これを選択した方法にする必要があります。 ただし、パフォーマンスが問題になる場合は、 maskを作成する別の方法を検討することもできます。

2。
位置情報インデックスにはユースケースがありますが、これはその1つではありません。 スライスする場所を特定するために、我々は先に行った同じブール解析を最初に実行する必要があります。 これにより、同じタスクを達成するための1つの追加ステップが実行されます。

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

3。
ラベルの索引付けは非常に便利ですが、この場合は、何も効果がないためにもう一度作業しています

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

4。
pd.DataFrame.queryは、このタスクを実行するための非常にエレガントで直感的な方法です。 しかし、しばしば遅いです。 しかし 、以下のタイミングに注意を払うと、大きなデータの場合、クエリは非常に効率的です。 私の最善の提案と同じくらい標準的なアプローチと同様の大きさよりも。

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

私の好みは、 Boolean maskを使用することです

Boolean mask作成方法を変更することで、実際の改善が可能です。

mask代替1
基礎となるnumpy配列を使用し、別のpd.Seriesを作成するオーバーヘッドをpd.Series

mask = df['A'].values == 'foo'

最後に、より完全な時間テストを表示しますが、サンプルデータフレームを使用して得られるパフォーマンスの向上を見てみましょう。 まず、 mask作成の違いを見てみましょう

%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)

numpy配列でmaskを評価するのは〜30倍高速です。 これは、部分的には、頻繁に速くなっていくほど頻繁に評価されることによるものです。 また、インデックスと対応するpd.Seriesオブジェクトを構築するのに必要なオーバーヘッドがないことが原因の一部です。

次に、あるmaskでスライスするタイミングと、もう一方のmaskでスライスするタイミングを見ていきます。

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)

パフォーマンスの向上は顕著ではありません。 より堅牢なテストでこれが成立するかどうかを確認します。

mask代替2
データフレームも再構築できました。 データフレームを再構築する際には大きな注意点があります。その場合、dtypeを処理する必要があります。

df[mask]代わりにこれを行います

pd.DataFrame(df.values[mask], df.index[mask], df.columns).astype(df.dtypes)

データフレームが混合型である場合、df.valuesを取得df.values 、結果の配列はdtype objectなりobject 。その結果、新しいデータフレームのすべての列はdtype objectdtype object 。 したがって、 astype(df.dtypes)を必要とし、潜在的なパフォーマンス上の利益を殺します。

%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)

しかし、データフレームが混在型でない場合、これは非常に便利な方法です。

与えられた

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)

%%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)

私たちは時間を半減させました。

mask代替3
@unutbuは、pd.Series.isinを使用して、 df['A']各要素を一連の値に考慮する方法も示しています。 私たちの値のセットが1つの値、つまり'foo'セットである場合、これは同じことが評価されます。 しかし、必要に応じてより大きな値のセットを含めることも一般化しています。 それはより一般的な解決策であるにもかかわらず、まだかなり速いことが分かります。 唯一の真の喪失は、その概念に精通していない人にとっては直感にあります。

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

しかし、これまでのように、 numpyを利用してパフォーマンスを向上させ、事実上何も犠牲にすることはありません。 np.in1dを使用し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

タイミング
他の投稿でも言及している他の概念も参考にします。
下のコード

この表の各列は、各機能をテストする異なる長さのデータフレームを表します。 各列には相対時間が表示され、最速関数には基本インデックス1.0与えられています。

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

最も速い時間は、 mask_with_valuesmask_with_in1d間で共有されているように見えます

res.T.plot(loglog=True)

関数

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]

テスト

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)

特別なタイミング
dtype全体に対して単一の非オブジェクトdtypeがある場合の特別なケースを見てください。 下のコード

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

再構築は数百行を超えて価値があるわけではありません。

spec.T.plot(loglog=True)

関数

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
)

テスト

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)

以前の回答の構文は冗長で覚えにくいことがわかりました。 Pandasはv0.13でquery()メソッドを導入しました。 あなたの質問については、 df.query('col == val')

http://pandas.pydata.org/pandas-docs/version/0.17.0/indexing.html#indexing-queryから再現されました

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

@前に@付けることによって、環境内の変数にアクセスすることもできます。

exclude = ('red', 'orange')
df.query('color not in @exclude')

列の値がスカラー、 some_value等しい行を選択するには、 ==使用します。

df.loc[df['column_name'] == some_value]

カラム値がiterable、 some_valuesにある行を選択するには、 isin使用します。

df.loc[df['column_name'].isin(some_values)]

複数の条件を&と組み合わせる:

df.loc[(df['column_name'] == some_value) & df['other_column'].isin(some_values)]

列値 some_value と等しくない行を選択するに!= :を使用し!=

df.loc[df['column_name'] != some_value]

isinはboolean Seriesを返します。したがって、値がsome_valuesない行を選択するには、ブール値を無効にしてください~を使用してSeries:

df.loc[~df['column_name'].isin(some_values)]

例えば、

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'])

収量

     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

インクルードしたい値が複数ある場合は、それらをリスト(またはより一般的には反復可能)に入れ、 isinを使用します:

print(df.loc[df['B'].isin(['one','three'])])

収量

     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

ただし、これを何度もやりたいのであれば、最初に索引を作成してdf.locを使用する方が効率的df.loc

df = df.set_index(['B'])
print(df.loc['one'])

収量

       A  C   D
B              
one  foo  0   0
one  bar  1   2
one  foo  6  12

インデックスから複数の値を含めるには、 df.index.isin使用しdf.index.isin

df.loc[df.index.isin(['one','two'])]

収量

       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

私はちょうどこれを編集しようとしましたが、私はログインしていなかったので、私の編集がどこに行きましたか分かりません。 私は複数の選択を取り入れようとしていました。 だから私はもっと良い答えがあると思う:

単一の値の場合、最も簡単な(人間が判読可能な)ものは多分でしょう:

df.loc[df['column_name'] == some_value]

値のリストについては、次のものも使用できます。

df.loc[df['column_name'].isin(some_values)]

例えば、

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'])

収量

     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

選択したい基準が複数ある場合は、それらをリストに入れて 'isin'を使うことができます:

print(df.loc[df['B'].isin(['one','three'])])

収量

      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

ただし、これを何度もやりたいのであれば、まずAをインデックスにしてdf.locを使う方が効率的です:

df = df.set_index(['A'])
print(df.loc['foo'])

収量

  A      B  C   D
foo    one  0   0
foo    two  2   4
foo    two  4   8
foo    one  6  12
foo  three  7  14

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})
df[df['A']=='foo']

OUTPUT:
   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




dataframe