pandas选择某些行 - python遍历dataframe行




根据熊猫中列中的值从DataFrame中选择行 (8)

TL;博士

熊猫相当于

select * from table where column_name = some_value

table[table.column_name == some_value]

多种条件:

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

要么

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,行df[df.foo == 222]给出了基于列值的行,在这种情况下为222

多种条件也是可能的:

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

但在那一点上,我会建议使用query函数,因为它不那么冗长,并且会得到相同的结果:

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

如何根据熊猫中某些列的值从DataFrame中选择行?
在SQL中,我会使用:

select * from table where colume_name = some_value. 

我试图看熊猫文档,但没有立即找到答案。


为了追加到这个着名的问题中(尽管有点太晚了):你也可以通过df.groupby('column_name').get_group('column_desired_value').reset_index()来创建一个新的数据框,其中指定的列有一个特定的值。 例如

import pandas as pd
df = pd.DataFrame({'A': 'foo bar foo bar foo bar foo foo'.split(),
                   'B': 'one one two three two two one three'.split()})
print("Original dataframe:")
print(df)

b_is_two_dataframe = pd.DataFrame(df.groupby('B').get_group('two').reset_index()).drop('index', axis = 1) 
#NOTE: the final drop is to remove the extra index column returned by groupby object
print('Sub dataframe where B is two:')
print(b_is_two_dataframe)

运行这个给出:

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

如果你来这里想通过包括那些列值不是任何值列表的行来从数据框中选择行,下面是如何在unutbu的答案中翻转上面的值列表:

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

(当然,不包括单个值,您只需使用常规不等于运算符!= 。)

例:

import pandas as pd
df = pd.DataFrame({'A': 'foo bar foo bar foo bar foo foo'.split(),
                   'B': 'one one two three two two one three'.split()})
print(df)

给我们

     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    

将子集B仅限于列B不是onethree的行:

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

产量

     A    B
2  foo  two
4  foo  two
5  bar  two

对于pandas中的给定值,仅从多列中选择特定列:

select col_name1, col_name2 from table where column_name = some_value.

选项:

df.loc[df['column_name'] == some_value][[col_name1, col_name2]]

要么

df.query['column_name' == "some_value"'][[col_name1, col_name2]]

我只是尝试编辑这个,但我没有登录,所以我不知道我的编辑去了哪里。 我试图纳入多个选择。 所以我认为更好的答案是:

对于单个值来说,最直接的(人类可读的)可能是:

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

对于您也可以使用的值列表:

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

如果您有多个标准需要选择,您可以将它们放在一个列表中并使用'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,首先将索引设为A,然后使用df.loc会更有效:

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

产量

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

有几种基本的方法可以从熊猫数据框中选择行。

  1. 布尔索引
  2. 位置索引
  3. 标签索引
  4. API

对于每种基本类型,我们可以通过将自己限制为熊猫API来简化事情,或者我们可以在API之外进行冒险,通常会变成numpy ,并加快速度。

我会告诉你每个例子,并指导你何时使用某些技术。

建立
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。 OP提供了column_name == some_value 。 我们将从那里开始并包含一些其他常见用例。

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})

假设我们的标准是'A' = 'foo'

1。
布尔索引需要找到每行'A'列的真值等于'foo' ,然后使用这些真值来确定要保留的行。 通常,我们将这个系列命名为一组真值, mask 。 我们也会在这里做。

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

然后我们可以使用这个掩码来对数据帧进行分片或索引

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,如果性能或直觉不成问题,这应该是您选择的方法。 但是,如果性能是一个问题,那么您可能需要考虑另一种创建mask

2。
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。

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。
标签索引可以非常方便,但在这种情况下,我们再次做更多的工作没有任何好处

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

4。
pd.DataFrame.query是执行此任务的非常优雅/直观的方式。 但通常较慢。 但是 ,如果您注意以下时间,对于大数据,查询非常有效。 比我的最佳建议更像标准方法,并且幅度相近。

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

我的首选是使用Boolean mask

实际的改进可以通过修改我们创建Boolean mask

mask替代1
使用底层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,但只要看看使用示例数据框所获得的性能提升。 首先我们看一下创建mask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阵列评估mask的速度要快30倍。 部分原因是因为评估经常比较快。 这也是由于缺少构建索引和相应的pd.Series对象所需的开销。

接下来,我们将看看用一个mask与另一个mask切片的时机。

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)

性能提升并不明显。 我们会看看这是否能够通过更强大的测试。

mask替代2
我们也可以重构数据框。 重建数据dtypes时有一个很大的警告 - 当你这样做的时候你必须注意dtypes

我们会这样做,而不是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,我们的例子是,那么当我们得到df.values ,得到的数组是df.values object ,因此新数据df.values的所有列将是dtype object 。 因此需要使用astype(df.dtypes)并杀死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,如果数据框不是混合类型,这是一个非常有用的方法。

特定

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)

%%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。

mask替代3
@unutbu还向我们展示了如何使用pd.Series.isin来解释df['A']中的每个元素是否在一组值中。 如果我们的一组值是一组值,即'foo' ,那么这个评估就是同样的事情。 但是如果需要的话,它也推广到包括更大的值集合。 事实证明,尽管这是一个更一般的解决方案,但这个速度仍然非常快。 对于那些不熟悉这个概念的人来说,唯一真正的损失是直观的。

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

然而,和以前一样,我们可以利用numpy来提高性能,同时几乎可以亵渎任何东西。 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
我将包括其他文章中提到的其他概念以供参考。
代码如下

此表中的每个列表示一个不同长度的数据帧,我们将在其中测试每个函数。 每列显示相对所用的时间,以基础指数1.0为最快函数。

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mask_with_valuesmask_with_in1d之间共享

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
当我们对整个数据帧有单个非对象dtype时,看一下特殊情况。 代码如下

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

原来,重建不值得它过去几百行。

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)

这是一个简单的例子

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 = 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