根据pandas中列中的值从DataFrame中选择行-Java 学习之路

1048

如何根据pandas中某些列中的值从DataFrame中选择行？
在SQL中我会使用：

select * from table where colume_name = some_value.

我试着看看熊猫文档，但没有立即找到答案 .

13 回答

如果您根据列中的某个整数查找行，那么

df.loc[df['column_name'] == 2017]

如果您要根据字符串查找值

df.loc[df['column_name'] == 'string']

如果基于两者

df.loc[(df['column_name'] == 'string') & (df['column_name'] == 2017)]

回复于 2024-04-19T11:24:04+08:00

我发现以前答案的语法是多余的，难以记住 . Pandas在v0.13中介绍了 query() 方法，我更喜欢它 . 对于你的问题，你可以做 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

您还可以通过添加 @ 来访问环境中的变量 .

exclude = ('red', 'orange')
df.query('color not in @exclude')

回复于 2024-04-19T11:24:04+08:00

2076

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})
df[df['A']=='foo']

OUTPUT:
   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

回复于 2024-04-19T11:24:04+08:00

你也可以使用.apply：

df.apply(lambda row: row[df['B'].isin(['one','three'])])

它实际上是按行工作的（即，将函数应用于每一行） .

输出是

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

结果与@unutbu提到的结果相同

df[[df['B'].isin(['one','three'])]]

回复于 2024-04-19T11:24:04+08:00

使用numpy.where可以实现更快的结果 .

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

回复于 2024-04-19T11:24:04+08:00

对于pandas中的给定值，仅选择多列中的特定列：

select col_name1, col_name2 from table where column_name = some_value.

选项：

df.loc[df['column_name'] == some_value][[col_name1, col_name2]]

要么

df.query['column_name' == 'some_value'][[col_name1, col_name2]]

回复于 2024-04-19T11:24:04+08:00

要选择列值等于标量的行 some_value ，请使用 == ：

df.loc[df['column_name'] == some_value]

要选择列值在可迭代的 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：

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 返回一个布尔系列，因此要选择其值不在 some_values 中的行，请使用 ~ 否定布尔系列：

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'])

产量

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

如果您想要包含多个值，请将它们放在列表中（或者更常见的是，任何可迭代的值）并使用 isin ：

print(df.loc[df['B'].isin(['one','three'])])

产量

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

但请注意，如果您希望多次执行此操作，则首先创建索引更有效，然后使用 df.loc ：

df = df.set_index(['B'])
print(df.loc['one'])

产量

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'])]

产量

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

回复于 2024-04-19T11:24:04+08:00

有一些从pandas数据框中选择行的基本方法 .

布尔索引
位置索引
标签索引
API

对于每种基类型，我们可以通过将自己限制在pandas API中来保持简单，或者我们可以在API之外冒险，通常进入 numpy ，并加快速度 .

我将向您展示每个示例，并指导您何时使用某些技术 .

Setup
我们需要的第一件事是确定一个条件，作为我们选择行的标准 . OP提供了 column_name == some_value . 我们将从那里开始并包含一些其他常见用例 .

借用@unutbu：

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.
布尔索引要求查找每行的 'A' 列的真值等于 'foo' ，然后使用这些真值来标识要保留的行 . 通常，我们将此系列命名为一个真值数组 mask . 我们也会在这里这样做 .

mask = df['A'] == 'foo'

然后，我们可以使用此掩码对数据帧进行切片或索引

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，那么这应该是您选择的方法 . 但是，如果考虑性能，那么您可能需要考虑另一种创建 mask 的方法 .

2.
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，我们首先需要执行上面我们所做的相同的布尔分析 . 这使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，但在这种情况下，我们再次做更多的工作，没有任何好处

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.
pd.DataFrame.query 是一种非常优雅/直观的方式来执行此任务 . 但往往比较慢 . However ，如果你注意下面的时间，对于大数据，查询效率很高 . 比标准方法更重要，与我最好的建议相似 .

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 Boolean mask 的方式来实现实际改进 .

mask alternative 1
使用底层 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，但只是看看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 的区别

%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 mask 的速度要快30倍 . 这部分是由于 numpy 评估通常更快 . 部分原因还在于缺少构建索引和相应的 pd.Series 对象所需的开销 .

接下来我们来看看时间用一个 mask 与另一个切片 .

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 .

mask alternative 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 - 你必须在这样做的时候处理 dtypes ！

而不是 df[mask] ，我们将这样做

pd.DataFrame(df.values[mask], df.index[mask], df.columns).astype(df.dtypes)

如果数据帧是混合类型，我们的示例是，那么当我们得到 df.values 时，结果数组是 dtype object ，因此，新数据帧的所有列都将是 dtype object . 因此需要 astype(df.dtypes) 并消除任何潜在的性能提升 .

%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，如果数据帧不是混合类型，则这是一种非常有用的方法 .

特定

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)

与

%%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 alternative 3
@unutbu还向我们展示了如何使用 pd.Series.isin 来计算 df['A'] 在一组值中的每个元素 . 如果我们的值集是一个值的集合，即 'foo' ，则计算结果相同 . 但如果需要，它还可以推广包括更大的值集 . 事实证明，即使这是一个更通用的解决方案，这仍然非常快 . 对于那些不熟悉这个概念的人来说，唯一真正的损失是直观的 .

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

Timing
我将包括其他帖子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，我们在其上测试每个函数 . 每列显示相对时间，最快的函数给定 1.0 的基本索引 .

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 mask_with_values 和 mask_with_in1d 之间似乎共享最快的时间

res.T.plot(loglog=True)

Functions

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]

Testing

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)

Special Timing
查看我们在整个数据帧中只有一个非对象 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

事实证明，重建不值得过去几百行 .

spec.T.plot(loglog=True)

Functions

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
)

Testing

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)

回复于 2024-04-19T11:24:04+08:00

tl;博士

大熊猫相当于

select * from table where column_name = some_value

是

table[table.column_name == some_value]

多个条件：

table[(table.column_name == some_value) | (table.column_name2 == some_value2)]

要么

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] 在这种情况下根据列值 222 给出行 .

多种条件也是可能的：

df[(df.foo == 222) | (df.bar == 444)]
#    bar  foo
# 1  444  111
# 2  555  222

但是在那时我建议使用query函数，因为它不那么冗长并产生相同的结果：

df.query('foo == 222 | bar == 444')

回复于 2024-04-19T11:24:04+08:00

如果你来到这里寻找从数据框中选择行，包括那些列的值不是任何值列表的行，这里是如何翻转unutbu的答案以获取上面的值列表：

df.loc[~df['column_name'].isin(some_values)]

（当然，为了不包含单个值，您只需使用常规非等于运算符 != . ）

例：

import pandas as pd
df = pd.DataFrame({'A': 'foo bar foo bar foo bar foo foo'.split(),
                   'B': 'one one two three two two one three'.split()})
print(df)

给我们

A      B
0  foo    one
1  bar    one
2  foo    two
3  bar  three
4  foo    two
5  bar    two
6  foo    one
7  foo  three

要仅在 B 列中的那些行 one 或 three 的子集：

df.loc[~df['B'].isin(['one', 'three'])]

产量

A    B
2  foo  two
4  foo  two
5  bar  two

回复于 2024-04-19T11:24:04+08:00

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

回复于 2024-04-19T11:24:04+08:00

100

我只是尝试编辑这个，但我没有登录，所以我不确定我的编辑去了哪里 . 我试图纳入多个选择 . 所以我认为更好的答案是：

对于单个值，最直接（人类可读）可能是：

df.loc[df['column_name'] == some_value]

对于值列表，您还可以使用：

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'])

产量

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

如果您要选择多个条件，可以将它们放在列表中并使用“isin”：

print(df.loc[df['B'].isin(['one','three'])])

产量

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

但请注意，如果您希望多次执行此操作，首先将A作为索引更有效，然后使用df.loc：

df = df.set_index(['A'])
print(df.loc['foo'])

产量

A      B  C   D
foo    one  0   0
foo    two  2   4
foo    two  4   8
foo    one  6  12
foo  three  7  14

回复于 2024-04-19T11:24:04+08:00

179

要附加到这个着名的问题（虽然有点太晚）：您也可以使用 df.groupby('column_name').get_group('column_desired_value').reset_index() 来创建具有特定值的指定列的新数据帧 . 例如 .

import pandas as pd
df = pd.DataFrame({'A': 'foo bar foo bar foo bar foo foo'.split(),
                   'B': 'one one two three two two one three'.split()})
print("Original dataframe:")
print(df)

b_is_two_dataframe = pd.DataFrame(df.groupby('B').get_group('two').reset_index()).drop('index', axis = 1) 
#NOTE: the final drop is to remove the extra index column returned by groupby object
print('Sub dataframe where B is two:')
print(b_is_two_dataframe)

运行此给出：

Original dataframe:
     A      B
0  foo    one
1  bar    one
2  foo    two
3  bar  three
4  foo    two
5  bar    two
6  foo    one
7  foo  three
Sub dataframe where B is two:
     A    B
0  foo  two
1  foo  two
2  bar  two

回复于 2024-04-19T11:24:04+08:00

根据pandas中列中的值从DataFrame中选择行

13 回答

tl;博士

代码示例

相关问题