如何根據 Pandas 中某些列的值從DataFrame中選擇行？在SQL中，可以使用：
select * from table where colume_name = some_value.
試圖看過 Pandas 的文檔，但沒有找到滿意的答案。
最佳解決方案
要選擇列的值等於某個值”some_value"的行，請使用==：
df.loc[df['column_name'] == some_value]
要選擇列值在鏈表some_values中的行，請使用isin：
df.loc[df['column_name'].isin(some_values)]
將多個條件與&組合使用：
df.loc[(df['column_name'] == some_value) & df['other_column'].isin(some_values)]
要選擇列值不等於some_value的行，請使用!=：
df.loc[df['column_name'] != some_value]
isin返回一個布爾序列，因此要選擇其值不在some_values中的行，使用~取反布爾序列：
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'])
輸出
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
如果想包含多個值，把它們放在一個列表中(或者更一般地說，任何可迭代的)並使用isin：
print(df.loc[df['B'].isin(['one','three'])])
輸出
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，如果希望多次執行此操作，首先創建索引並使用df.loc會更有效：
df = df.set_index(['B'])
print(df.loc['one'])
輸出
A C D
B
one foo 0 0
one bar 1 2
one foo 6 12
或者，要包含來自索引的多個值，使用df.index.isin：
df.loc[df.index.isin(['one','two'])]
輸出
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
次佳解決方案
長話短說
Pandas 相當於
select * from table where column_name = some_value
的是
table[table.column_name == some_value]
多種條件：
table((table.column_name == some_value) | (table.column_name2 == some_value2))
或者
table.query('column_name == some_value | column_name2 == some_value2')
代碼示例
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
在上麵的代碼中，行df[df.foo == 222]給出了基於列值222的行。
多種條件也是可以的：
df[(df.foo == 222) | (df.bar == 444)]
# bar foo
# 1 444 111
# 2 555 222
但對於以上情形，我會建議使用查詢函數，因為它更簡潔，並且會得到相同的結果：
df.query('foo == 222 | bar == 444')
第三種解決方案
有幾種基本的方法可以從 Pandas 數據框中選擇行。
- 布爾索引
- 位置索引
- 標簽索引
- API
對於每種基本類型，可以通過將用法限製為 Pandas API來簡化事情，或者可以在API之外進行冒險，通常使用numpy，可以加快速度。
下麵正對每種情形給出例子，並說明何時使用哪些技術。
設置我們需要的第一件事是確定一個條件，它將作為我們選擇行的標準。 沿用上文的column_name == some_value，我們從這裏開始並包含一些其他常見用例。
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})
假設我們的標準是列'A' = 'foo'
1.布爾索引需要找到每行的'A'列的真值等於'foo'，然後使用這些真值來確定要保留的行。通常，我們將這個係列命名為一組真值mask：
mask = df['A'] == 'foo'
然後我們可以使用這個掩碼來對數據幀進行分片或索引
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
這是完成這項任務最簡單的方法之一，如果性能或直覺不成問題，這應該是要選擇的方法。但是，如果性能是一個問題，那麽您可能需要考慮另一種創建mask的方法。
2.位置索引。為了確定切片的位置，我們首先需要執行與上麵相同的布爾分析。這讓我們執行一個額外的步驟來完成相同的任務。
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.標簽索引可以非常方便
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是一種非常優雅/直觀的執行此任務的方式。但通常會比較慢。但是，如果您注意以下時間，對於大數據，查詢非常有效。
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
我的首選是使用Boolean mask
通過修改我們創建Boolean mask的方式可以實現實際的改進。
mask替代方法1
使用底層的numpy數組並放棄創建另一個pd.Series的開銷
mask = df['A'].values == 'foo'
我將在最後展示更完整的時間測試，但隻要看看使用示例數據框所獲得的性能提升。首先我們看看創建mask的差異
%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陣列評估mask的速度要快30倍。部分原因是numpy評估速度更快。這也部分歸因於缺少構建索引和相應的pd.Series對象所需的開銷。
接下來我們將看一個mask與另一個mask切片的時間。
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)
性能提升並不明顯。我們會看看這是否能夠通過更強大的測試。
mask替代方案2
我們也可以重構數據框。重建數據框時有一個很大的警告 – 當你這樣做時你必須考慮到dtypes！
我們會這樣做，而不是df[mask]
pd.DataFrame(df.values[mask], df.index[mask], df.columns).astype(df.dtypes)
如果數據幀是混合類型，就像我們的例子一樣，那麽當我們得到df.values時，得到的數組是dtype object，因此新數據幀的所有列將是dtype object。因此需要astype(df.dtypes)，這會消除掉潛在的性能收益。
%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不是混合類型的，這是一個非常有用的方法。
給定
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)
與
%%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)
我們把時間縮短了一半。
mask備選3
也可以使用pd.Series.isin來說明df['A']中的每個元素都是一組值。如果我們的值集合是一組值，即'foo'，則這將評估為相同的結果。但是如果需要的話，它也可以推廣到包括更大的值集合。事實證明，盡管這是一個更為通用的解決方案，但它仍然可以非常快。對於那些不熟悉這個概念的人來說，唯一真正的損失是不太直觀。
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，和以前一樣，我們可以利用numpy來改善性能。我們將使用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
時間
我將包括其他文章中提到的其他概念，以供參考。代碼如下
此表中的每個列表示一個不同長度的數據幀，我們將在其中測試每個函數。每列顯示相對所需的時間，以1.0的基礎索引為基礎給出最快的函數。
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
您會注意到最快的時間似乎在mask_with_values和mask_with_in1d之間共享
res.T.plot(loglog=True)
函數
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]
測試
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)
特殊時間查看整個數據幀的單個non-object dtype時的特殊情況。代碼如下
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)
函數
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
)
測試
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)
第四種方案
感覺前述的答案的語法冗餘且難以記住 。 Pandas在v0.13中引入了query()方法，我更喜歡它。對於上麵的問題，可以用df.query('col == val')
轉載自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
您也可以通過預先配置@來訪問環境中的變量。
exclude = ('red', 'orange')
df.query('color not in @exclude')
第五種方案
這是一個簡單的例子
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
第六種方案
使用numpy.where可以獲得更快的結果。
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
時間比較：
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
參考資料