从 pandas.DataFrame 中使用复杂标准进行选择

问题描述：

例如我有简单的 DF：

import pandas as pd
from random import randint

df = pd.DataFrame({'A': [randint(1, 9) for x in range(10)],
                   'B': [randint(1, 9)*10 for x in range(10)],
                   'C': [randint(1, 9)*100 for x in range(10)]})

我可以使用 Pandas 的方法和习语从“A”中选择出与“B”对应的值大于 50，与“C”对应的值不等于 900 吗？

解决方案 1：

当然可以！设置：

>>> import pandas as pd
>>> from random import randint
>>> df = pd.DataFrame({'A': [randint(1, 9) for x in range(10)],
                   'B': [randint(1, 9)*10 for x in range(10)],
                   'C': [randint(1, 9)*100 for x in range(10)]})
>>> df
   A   B    C
0  9  40  300
1  9  70  700
2  5  70  900
3  8  80  900
4  7  50  200
5  9  30  900
6  2  80  700
7  2  80  400
8  5  80  300
9  7  70  800

我们可以应用列操作并获取布尔 Series 对象：

>>> df["B"] > 50
0    False
1     True
2     True
3     True
4    False
5    False
6     True
7     True
8     True
9     True
Name: B
>>> (df["B"] > 50) & (df["C"] != 900)

或者

>>> (df["B"] > 50) & ~(df["C"] == 900)
0    False
1    False
2     True
3     True
4    False
5    False
6    False
7    False
8    False
9    False

[更新，切换到新样式.loc]：

然后我们可以使用这些来索引对象。对于读取访问，您可以链接索引：

>>> df["A"][(df["B"] > 50) & (df["C"] != 900)]
2    5
3    8
Name: A, dtype: int64

但是，由于视图和副本执行此操作以获得写访问权限之间存在差异，因此您可能会陷入麻烦。您可以改用.loc：

>>> df.loc[(df["B"] > 50) & (df["C"] != 900), "A"]
2    5
3    8
Name: A, dtype: int64
>>> df.loc[(df["B"] > 50) & (df["C"] != 900), "A"].values
array([5, 8], dtype=int64)
>>> df.loc[(df["B"] > 50) & (df["C"] != 900), "A"] *= 1000
>>> df
      A   B    C
0     9  40  300
1     9  70  700
2  5000  70  900
3  8000  80  900
4     7  50  200
5     9  30  900
6     2  80  700
7     2  80  400
8     5  80  300
9     7  70  800

解决方案 2：

另一种解决方案是使用查询方法：

import pandas as pd

from random import randint
df = pd.DataFrame({'A': [randint(1, 9) for x in xrange(10)],
                   'B': [randint(1, 9) * 10 for x in xrange(10)],
                   'C': [randint(1, 9) * 100 for x in xrange(10)]})
print df

   A   B    C
0  7  20  300
1  7  80  700
2  4  90  100
3  4  30  900
4  7  80  200
5  7  60  800
6  3  80  900
7  9  40  100
8  6  40  100
9  3  10  600

print df.query('B > 50 and C != 900')

   A   B    C
1  7  80  700
2  4  90  100
4  7  80  200
5  7  60  800

现在，如果您想更改 A 列中的返回值，您可以保存它们的索引：

my_query_index = df.query('B > 50 & C != 900').index

....并用来.iloc改变它们，即：

df.iloc[my_query_index, 0] = 5000

print df

      A   B    C
0     7  20  300
1  5000  80  700
2  5000  90  100
3     4  30  900
4  5000  80  200
5  5000  60  800
6     3  80  900
7     9  40  100
8     6  40  100
9     3  10  600

解决方案 3：

记得使用括号！

请记住，&运算符优先于诸如>或<等运算符。这就是为什么

4 < 5 & 6 > 4

计算结果为False。因此，如果您使用pd.loc，则需要将逻辑语句括在括号中，否则会出错。这就是为什么这样做的原因：

df.loc[(df['A'] > 10) & (df['B'] < 15)]

而不是

df.loc[df['A'] > 10 & df['B'] < 15]

这将导致

TypeError：无法将 dtyped [float64] 数组与类型为 [bool] 的标量进行比较

解决方案 4：

您可以使用 pandas，它有一些内置函数用于比较。因此，如果您想选择满足“B”和“C”条件的“A”值（假设您想要返回 DataFrame pandas 对象）

df[['A']][df.B.gt(50) & df.C.ne(900)]

df[['A']]将以 DataFrame 格式返回 A 列。

pandasgt函数将返回 B 列中大于 50 的位置，并ne返回不等于 900 的位置。

解决方案 5：

将每个条件分配给一个变量可能会更具可读性，特别是当它们有很多（可能具有描述性名称）并使用按位运算符（例如 (&或|）将它们链接在一起时。另外，您无需担心括号，()因为每个条件都是独立评估的。

m1 = df['B'] > 50
m2 = df['C'] != 900
m3 = df['C'].pow(2) > 1000
m4 = df['B'].mul(4).between(50, 500)

# filter rows where all of the conditions are True
df[m1 & m2 & m3 & m4]

# filter rows of column A where all of the conditions are True
df.loc[m1 & m2 & m3 & m4, 'A']

或者将条件放在列表中并通过bitwise_andfrom numpy（包装器&）减少它。

conditions = [
    df['B'] > 50,
    df['C'] != 900,
    df['C'].pow(2) > 1000,
    df['B'].mul(4).between(50, 500)
]
# filter rows of A where all of conditions are True
df.loc[np.bitwise_and.reduce(conditions), 'A']