当前位置: 首页>>技术教程>>正文


根据 Pandas 中列的值从DataFrame中选择行

qingchuanTR 技术教程 , , 去评论

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。

  1. 布尔索引
  2. 位置索引
  3. 标签索引
  4. 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)

%%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_valuesmask_with_in1d之间共享

res.T.plot(loglog=True)

python,pandas,dataframe

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)

python,pandas,dataframe

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

 

本文由《纯净的天空》出品。文章地址: https://vimsky.com/article/3842.html,未经允许,请勿转载。