|
如何根据 Pandas 中某些列的值从DataFrame中选择行？在SQL中，可以使用：
select * from table where colume_name = some_value.
试图看过 Pandas 的文档，但没有找到满意的答案。
最佳解决方案
要选择列的值等于某个值”some_value"的行，请使用==：
df.loc[df['column_name'] == some_value]
要选择列值在链表some_values中的行，请使用isin：
df.loc[df['column_name'].isin(some_values)]
将多个条件与&组合使用：
df.loc[(df['column_name'] == some_value) & df['other_column'].isin(some_values)]
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，使用~取反布尔序列：
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'])
输出
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
如果想包含多个值，把它们放在一个列表中(或者更一般地说，任何可迭代的)并使用isin：
print(df.loc[df['B'].isin(['one','three'])])
输出
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
注意，如果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'])
输出
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，使用df.index.isin：
df.loc[df.index.isin(['one','two'])]
输出
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
次佳解决方案
长话短说
Pandas 相当于
select * from table where column_name = some_value
的是
table[table.column_name == some_value]
多种条件：
table((table.column_name == some_value) | (table.column_name2 == some_value2))
或者
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222的行。
多种条件也是可以的：
df[(df.foo == 222) | (df.bar == 444)]
# bar foo
# 1 444 111
# 2 555 222
但对于以上情形，我会建议使用查询函数，因为它更简洁，并且会得到相同的结果：
df.query('foo == 222 | bar == 444')
第三种解决方案
有几种基本的方法可以从 Pandas 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，可以通过将用法限制为 Pandas API来简化事情，或者可以在API之外进行冒险，通常使用numpy，可以加快速度。
下面正对每种情形给出例子，并说明何时使用哪些技术。
设置我们需要的第一件事是确定一个条件，它将作为我们选择行的标准。 沿用上文的column_name == some_value，我们从这里开始并包含一些其他常见用例。
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})
假设我们的标准是列'A' = 'foo'
1.布尔索引需要找到每行的'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：
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，这应该是要选择的方法。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的方法。
2.位置索引。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
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是一种非常优雅/直观的执行此任务的方式。但通常会比较慢。但是，如果您注意以下时间，对于大数据，查询非常有效。
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
通过修改我们创建Boolean mask的方式可以实现实际的改进。
mask替代方法1
使用底层的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。首先我们看看创建mask的差异
%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numpy评估速度更快。这也部分归因于缺少构建索引和相应的pd.Series对象所需的开销。
接下来我们将看一个mask与另一个mask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)
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替代方案2
我们也可以重构数据框。重建数据框时有一个很大的警告 – 当你这样做时你必须考虑到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)
如果数据帧是混合类型，就像我们的例子一样，那么当我们得到df.values时，得到的数组是dtype object，因此新数据帧的所有列将是dtype object。因此需要astype(df.dtypes)，这会消除掉潜在的性能收益。
%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DataFrame不是混合类型的，这是一个非常有用的方法。
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)
与
%%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备选3
也可以使用pd.Series.isin来说明df['A']中的每个元素都是一组值。如果我们的值集合是一组值，即'foo'，则这将评估为相同的结果。但是如果需要的话，它也可以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，但它仍然可以非常快。对于那些不熟悉这个概念的人来说，唯一真正的损失是不太直观。
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来改善性能。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
时间
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。每列显示相对所需的时间，以1.0的基础索引为基础给出最快的函数。
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_values和mask_with_in1d之间共享
res.T.plot(loglog=True)
函数
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]
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帧的单个non-object dtype时的特殊情况。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
。
spec.T.plot(loglog=True)
函数
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
)
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)
第四种方案
感觉前述的答案的语法冗余且难以记住 。 Pandas在v0.13中引入了query()方法，我更喜欢它。对于上面的问题，可以用df.query('col == val')
转载自http://pandas.pydata.org/pandas-docs/version/0.17.0/indexing.html#indexing-query
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
您也可以通过预先配置@来访问环境中的变量。
exclude = ('red', 'orange')
df.query('color not in @exclude')
第五种方案
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
第六种方案
使用numpy.where可以获得更快的结果。
例如，使用unubtu’s setup –
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
时间比较：
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
参考资料
- Select rows from a DataFrame based on values in a column in pandas
|
客服电话
APP下载
官方微信
