根据熊猫中列中的值从DataFrame中选择行

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。


要选择列值等于标量some_value ,请使用==

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

要选择行其列值是一个迭代, some_values ,使用isin

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

将多个条件与&组合在一起:

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

要选择列值不等于some_value ,请使用!=

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

isin返回一个布尔系列,因此要选择其值不在some_values行,使用~否定布尔系列:

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'])

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

如果你想包含多个值,把它们放在一个列表(或者更一般地说,任何可迭代的)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,首先创建索引并使用df.loc会更有效:

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

产量

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

或者,要包含来自索引的多个值,请使用df.index.isin

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

产量

       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

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,我会建议使用查询函数,因为它不那么冗长,并且会得到相同的结果:

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

有几种基本的方法可以从熊猫数据框中选择行。

  • 布尔索引
  • 位置索引
  • 标签索引
  • 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就是确定一个条件,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。
    布尔索引需要查找每行'A'列的真值,并等于'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,并且幅度相当。

    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'
    

    最后我会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。 这部分是由于numpy经常评价为快。 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)
    

    如果数据帧是混合型的,这对我们的例子是,那么当我们df.values所得阵列是dtype object ,因此,新的数据帧中的所有列将是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的,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,尽管这是一个更为通用的解决方案,但它仍然非常快。 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
    

    但是,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,给出基础指数为1.0的最快函数。

    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)
    

    在这里输入图像描述

    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)
    

    在这里输入图像描述

    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)
    
    链接地址: http://www.djcxy.com/p/70915.html

    上一篇: Select rows from a DataFrame based on values in a column in pandas

    下一篇: Pandas DataFrame.assign arguments