如何根据列值从数据帧中选择行？1. 布尔索引2. 位置索引3. 标签索引4. df.query（） API
如何根据 Pandas 中某列中的值从 中选择行？DataFrame
在SQL中，我会使用：
SELECT *
FROM table
WHERE column_name = some_value
答案 1
要选择列值等于标量的行，请使用：some_value==
df.loc[df['column_name'] == some_value]
要选择列值处于可迭代状态的行，请使用：some_valuesisin
df.loc[df['column_name'].isin(some_values)]
将多个条件与以下条件相结合：&
df.loc[(df['column_name'] >= A) & (df['column_name'] <= B)]
请注意括号。由于 Python 的运算符优先规则，绑定比 和 更紧密。因此，最后一个示例中的括号是必需的。不带括号&<=>=
df['column_name'] >= A & df['column_name'] <= B
被解析为
df['column_name'] >= (A & df['column_name']) <= B
这会导致序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：some_value!=
df.loc[df['column_name'] != some_value]
isin返回一个布尔序列，因此要选择值不在 中的行，请使用以下命令否定布尔序列：some_values~
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
如果要包含多个值，请将它们放在列表中（或者更一般地说，任何可迭代的值），然后使用：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，如果您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
答案 2
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（...）应用程序接口
下面我将向您展示每个示例，并建议何时使用某些技术。假设我们的标准是列'A' == 'foo'
（关于性能的注意事项：对于每种基本类型，我们可以通过使用Pandas API来保持简单，或者我们可以冒险在API之外，通常进入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，该条件将作为我们选择行的标准。我们将从OP的情况开始，并包括一些其他常见的用例。column_name == some_value
从@unutbu借款：
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})
1. 布尔索引
...布尔索引需要找到每行列的真实值等于 ，然后使用这些真值来确定要保留的行。通常，我们将此系列命名为真值数组。我们也会在这里这样做。'A''foo'mask
mask = df['A'] == 'foo'
然后，我们可以使用此掩码对数据框进行切片或索引
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
这是完成此任务的最简单方法之一，如果性能或直观性不是问题，则应选择此方法。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
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。df.iloc[...]
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
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，没有好处
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. df.query（） API
pd.DataFrame.query是执行此任务的一种非常优雅/直观的方式，但通常速度较慢。但是，如果您注意以下计时，对于大数据，查询非常有效。比标准方法更重要，而且与我的最佳建议类似。
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
我的偏好是使用Boolean mask
可以通过修改我们创建.Booleanmask
掩码备选方案 1 使用底层 NumPy 数组，并放弃创建另一个 pd 的开销。系列
mask = df['A'].values == 'foo'
最后，我将展示更完整的时间测试，但只需看一下我们使用示例数据帧获得的性能提升。首先，我们来看看创建mask
%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数组评估的速度快了约30倍。这部分是由于NumPy评估通常更快。部分原因还在于缺乏构建索引和相应对象所需的开销。maskpd.Series
接下来，我们将看看用一个与另一个进行切片的时间。mask
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。我们将看看这是否适用于更强大的测试。
口罩替代品2我们也可以重建数据帧。在重建数据帧时有一个很大的警告 - 您必须在这样做时注意！dtypes
而不是我们将这样做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（我们的示例是），那么当我们得到结果数组时，因此，新数据框的所有列都将是 。因此需要并扼杀任何潜在的性能增益。df.valuesdtypeobjectdtypeobjectastype(df.dtypes)
%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，这是一种非常有用的方法。
鉴于
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)
对
%%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)
我们将时间缩短了一半。
掩膜替代方案 3
@unutbu还向我们展示了如何使用来解释一组值中的每个元素。如果我们的值集是一个值的集合，即.但它也概括为在需要时包括更大的值集。事实证明，即使这是一个更通用的解决方案，这仍然非常快。唯一真正的损失是那些不熟悉这个概念的人的直观性。pd.Series.isindf['A']'foo'
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，与以前一样，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
定时
我将包括其他帖子中提到的其他概念以供参考。
以下代码
此表中的每一列都表示一个不同长度的数据帧，我们用它来测试每个函数。每列显示所花费的相对时间，给定基本索引为 的最快函数。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
您会注意到，最快的时间似乎在 和 之间共享。mask_with_valuesmask_with_in1d
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
看看当我们有一个用于整个数据帧的单个非对象时的特殊情况。dtype
以下代码
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
事实证明，重建不值得超过几百行。
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)
推荐
