40

我df在 pandas 中有一个使用pandas.read_tablecsv 文件构建的数据框。数据框有几列，并由其中一列索引（这是唯一的，因为每一行都有一个用于索引的列的唯一值。）

如何根据应用于多列的“复杂”过滤器选择数据框的行？colA我可以轻松地选择列大于 10的数据框切片，例如：

df_greater_than10 = df[df["colA"] > 10]

但是，如果我想要一个过滤器，比如：选择任何列大于 10的切片df，该怎么办？

或者 for 的值colA大于 10 但 for 的值colB小于 5？

这些是如何在熊猫中实现的？谢谢。

4

3 回答 3

49

我鼓励您在邮件列表中提出这些问题，但无论如何，使用底层 NumPy 数组仍然是一件非常低级的事情。例如，要选择任何列中的值超过（例如，本例中的 1.5）的行：

In [11]: df
Out[11]: 
            A        B        C        D      
2000-01-03 -0.59885 -0.18141 -0.68828 -0.77572
2000-01-04  0.83935  0.15993  0.95911 -1.12959
2000-01-05  2.80215 -0.10858 -1.62114 -0.20170
2000-01-06  0.71670 -0.26707  1.36029  1.74254
2000-01-07 -0.45749  0.22750  0.46291 -0.58431
2000-01-10 -0.78702  0.44006 -0.36881 -0.13884
2000-01-11  0.79577 -0.09198  0.14119  0.02668
2000-01-12 -0.32297  0.62332  1.93595  0.78024
2000-01-13  1.74683 -1.57738 -0.02134  0.11596
2000-01-14 -0.55613  0.92145 -0.22832  1.56631
2000-01-17 -0.55233 -0.28859 -1.18190 -0.80723
2000-01-18  0.73274  0.24387  0.88146 -0.94490
2000-01-19  0.56644 -0.49321  1.17584 -0.17585
2000-01-20  1.56441  0.62331 -0.26904  0.11952
2000-01-21  0.61834  0.17463 -1.62439  0.99103
2000-01-24  0.86378 -0.68111 -0.15788 -0.16670
2000-01-25 -1.12230 -0.16128  1.20401  1.08945
2000-01-26 -0.63115  0.76077 -0.92795 -2.17118
2000-01-27  1.37620 -1.10618 -0.37411  0.73780
2000-01-28 -1.40276  1.98372  1.47096 -1.38043
2000-01-31  0.54769  0.44100 -0.52775  0.84497
2000-02-01  0.12443  0.32880 -0.71361  1.31778
2000-02-02 -0.28986 -0.63931  0.88333 -2.58943
2000-02-03  0.54408  1.17928 -0.26795 -0.51681
2000-02-04 -0.07068 -1.29168 -0.59877 -1.45639
2000-02-07 -0.65483 -0.29584 -0.02722  0.31270
2000-02-08 -0.18529 -0.18701 -0.59132 -1.15239
2000-02-09 -2.28496  0.36352  1.11596  0.02293
2000-02-10  0.51054  0.97249  1.74501  0.20525
2000-02-11  0.10100  0.27722  0.65843  1.73591

In [12]: df[(df.values > 1.5).any(1)]
Out[12]: 
            A       B       C        D     
2000-01-05  2.8021 -0.1086 -1.62114 -0.2017
2000-01-06  0.7167 -0.2671  1.36029  1.7425
2000-01-12 -0.3230  0.6233  1.93595  0.7802
2000-01-13  1.7468 -1.5774 -0.02134  0.1160
2000-01-14 -0.5561  0.9215 -0.22832  1.5663
2000-01-20  1.5644  0.6233 -0.26904  0.1195
2000-01-28 -1.4028  1.9837  1.47096 -1.3804
2000-02-10  0.5105  0.9725  1.74501  0.2052
2000-02-11  0.1010  0.2772  0.65843  1.7359

必须使用&或|（和括号！）组合多个条件：

In [13]: df[(df['A'] > 1) | (df['B'] < -1)]
Out[13]: 
            A        B       C        D     
2000-01-05  2.80215 -0.1086 -1.62114 -0.2017
2000-01-13  1.74683 -1.5774 -0.02134  0.1160
2000-01-20  1.56441  0.6233 -0.26904  0.1195
2000-01-27  1.37620 -1.1062 -0.37411  0.7378
2000-02-04 -0.07068 -1.2917 -0.59877 -1.4564

我很想拥有某种查询 API 来使这些事情变得更容易

于 2012-01-18T20:12:06.520 回答
6

在 Pandas 中至少有一些方法可以缩短它的语法，直到它得到一个完整的查询 API（也许我会尝试加入 github 项目，如果时间允许的话，如果没有其他人已经这样做了开始）。

下面给出了一种稍微缩短语法的方法：

inds = df.apply(lambda x: x["A"]>10 and x["B"]<5, axis=1) 
print df[inds].to_string()

为了完全解决这个问题，需要在 Pandas 中构建 SQL select 和 where 子句之类的东西。这一点都不是微不足道的，但我认为可能适用的一种方法是使用 Pythonoperator内置模块。这使您可以将大于之类的东西视为函数而不是符号。因此，您可以执行以下操作：

def pandas_select(dataframe, select_dict):

    inds = dataframe.apply(lambda x: reduce(lambda v1,v2: v1 and v2, 
                           [elem[0](x[key], elem[1]) 
                           for key,elem in select_dict.iteritems()]), axis=1)
    return dataframe[inds]

然后像您这样的测试示例将执行以下操作：

import operator
select_dict = {
               "A":(operator.gt,10),
               "B":(operator.lt,5)                  
              }

print pandas_select(df, select_dict).to_string()

pandas_select您可以通过构建更多参数来自动处理不同的常见逻辑运算符，或者通过将它们导入具有较短名称的命名空间来进一步缩短语法。

请注意，pandas_select上面的函数仅适用于逻辑和约束链。您必须对其进行修改以获得不同的逻辑行为。或者使用not和德摩根定律。

于 2012-11-16T15:12:56.093 回答
4

自从提出并回答了这个问题以来，Pandas 中添加了一个查询功能。下面给出一个例子。

鉴于此示例数据框：

periods = 8
dates = pd.date_range('20170101', periods=periods)
rand_df = pd.DataFrame(np.random.randn(periods,4), index=dates, 
      columns=list('ABCD'))

如下查询语法将允许您使用多个过滤器，例如选择语句中的“WHERE”子句。

rand_df.query("A < 0 or B < 0")

有关更多详细信息，请参阅Pandas 文档。

于 2017-10-16T02:42:15.833 回答