44

我想知道是否有一种更简单、内存有效的方法来从 pandas DataFrame 中选择行和列的子集。

例如，给定这个数据框：

df = DataFrame(np.random.rand(4,5), columns = list('abcde'))
打印 df

          abcde
0 0.945686 0.000710 0.909158 0.892892 0.326670
1 0.919359 0.667057 0.462478 0.008204 0.473096
2 0.976163 0.621712 0.208423 0.980471 0.048334
3 0.459039 0.788318 0.309892 0.100539 0.753992

我只想要那些列“c”的值大于 0.5 的行，但我只需要这些行的列“b”和“e”。

这是我想出的方法——也许有更好的“熊猫”方法？

locs = [df.columns.get_loc(_) for _ in ['a', 'd']]
打印 df[df.c > 0.5][locs]

          广告
0 0.945686 0.892892

我的最终目标是将结果转换为 numpy 数组以传递给 sklearn 回归算法，因此我将像这样使用上面的代码：

training_set = array(df[df.c > 0.5][locs])

...这让我很生气，因为我最终在内存中得到了一个巨大的数组副本。也许还有更好的方法呢？

4

3 回答 3

71

直接使用它的值：

In [79]: df[df.c > 0.5][['b', 'e']].values
Out[79]: 
array([[ 0.98836259,  0.82403141],
       [ 0.337358  ,  0.02054435],
       [ 0.29271728,  0.37813099],
       [ 0.70033513,  0.69919695]])
于 2013-07-16T16:59:49.523 回答
16

对于第一个问题，可能是这样的，您可以简单地通过它们的名称访问列：

>>> df = pd.DataFrame(np.random.rand(4,5), columns = list('abcde'))
>>> df[df['c']>.5][['b','e']]
          b         e
1  0.071146  0.132145
2  0.495152  0.420219

对于第二个问题：

>>> df[df['c']>.5][['b','e']].values
array([[ 0.07114556,  0.13214495],
       [ 0.49515157,  0.42021946]])
于 2013-07-16T17:00:01.160 回答
9

.loc同时接受行和列选择器（.ix/.iloc仅供参考）这也是一次完成。

In [1]: df = DataFrame(np.random.rand(4,5), columns = list('abcde'))

In [2]: df
Out[2]: 
          a         b         c         d         e
0  0.669701  0.780497  0.955690  0.451573  0.232194
1  0.952762  0.585579  0.890801  0.643251  0.556220
2  0.900713  0.790938  0.952628  0.505775  0.582365
3  0.994205  0.330560  0.286694  0.125061  0.575153

In [5]: df.loc[df['c']>0.5,['a','d']]
Out[5]: 
          a         d
0  0.669701  0.451573
1  0.952762  0.643251
2  0.900713  0.505775

如果你想要这些值（虽然这应该直接传递给 sklearn ）；帧支持阵列接口

In [6]: df.loc[df['c']>0.5,['a','d']].values
Out[6]: 
array([[ 0.66970138,  0.45157274],
       [ 0.95276167,  0.64325143],
       [ 0.90071271,  0.50577509]])
于 2013-07-16T17:02:28.953 回答