如何在 Pandas 中获取数据框的列切片
- 2025-02-14 09:50:00
- admin 原创
- 79
问题描述：
我从 CSV 文件中加载了一些机器学习数据。前两列是观察值，其余列是特征。
目前，我做以下事情：
data = pandas.read_csv('mydata.csv')
结果是这样的：
data = pandas.DataFrame(np.random.rand(10,5), columns = list('abcde'))
我想将此数据框切成两个数据框：一个包含列a和，b另一个包含列c和。d`e`
不可能写出类似的东西
observations = data[:'c']
features = data['c':]
我不确定最好的方法是什么。我需要吗pd.Panel？
顺便说一句，我发现数据框索引非常不一致：data['a']允许，但data[0]不允许。另一方面，data['a':]不允许，但data[0:]允许。这有什么实际原因吗？如果列按 Int 索引，这确实令人困惑，因为data[0] != data[0:1]
解决方案 1：
2017 答案 - pandas 0.20：.ix 已弃用。使用 .loc
请参阅文档中的弃用内容
.loc使用基于标签的索引来选择行和列。标签是索引或列的值。切片.loc包括最后一个元素。
假设我们有一个包含以下列的DataFrame ：
foo，，，，，，，。bar`quzantcatsatdat`
# selects all rows and all columns beginning at 'foo' up to and including 'sat'
df.loc[:, 'foo':'sat']
# foo bar quz ant cat sat
.loc接受与 Python 列表相同的切片符号，用于行和列。切片符号是start:stop:step
# slice from 'foo' to 'cat' by every 2nd column
df.loc[:, 'foo':'cat':2]
# foo quz cat
# slice from the beginning to 'bar'
df.loc[:, :'bar']
# foo bar
# slice from 'quz' to the end by 3
df.loc[:, 'quz'::3]
# quz sat
# attempt from 'sat' to 'bar'
df.loc[:, 'sat':'bar']
# no columns returned
# slice from 'sat' to 'bar'
df.loc[:, 'sat':'bar':-1]
sat cat ant quz bar
# slice notation is syntatic sugar for the slice function
# slice from 'quz' to the end by 2 with slice function
df.loc[:, slice('quz',None, 2)]
# quz cat dat
# select specific columns with a list
# select columns foo, bar and dat
df.loc[:, ['foo','bar','dat']]
# foo bar dat
您可以按行和列进行切片。例如，如果您有 5 行，标签为v, w, x, y,z
# slice from 'w' to 'y' and 'foo' to 'ant' by 3
df.loc['w':'y', 'foo':'ant':3]
# foo ant
# w
# x
# y
解决方案 2：
注意： .ix自 Pandas v0.20 起已弃用。您应根据需要使用.loc或.iloc。
您想要访问的是 DataFrame.ix 索引。这有点令人困惑（我同意 Pandas 索引有时令人困惑！），但以下内容似乎可以满足您的要求：
>>> df = DataFrame(np.random.rand(4,5), columns = list('abcde'))
>>> df.ix[:,'b':]
b c d e
0 0.418762 0.042369 0.869203 0.972314
1 0.991058 0.510228 0.594784 0.534366
2 0.407472 0.259811 0.396664 0.894202
3 0.726168 0.139531 0.324932 0.906575
其中 .ix[row split, column split] 是要解释的内容。有关 Pandas 索引的更多信息，请参见：http: //pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-advanced
解决方案 3：
让我们使用 seaborn 包中的 titanic 数据集作为示例
# Load dataset (pip install seaborn)
>> import seaborn.apionly as sns
>> titanic = sns.load_dataset('titanic')
使用列名
>> titanic.loc[:,['sex','age','fare']]
使用列索引
>> titanic.iloc[:,[2,3,6]]
使用 ix (比 Pandas <.20 版本更旧)
>> titanic.ix[:,[‘sex’,’age’,’fare’]]
或者
>> titanic.ix[:,[2,3,6]]
使用重新索引方法
>> titanic.reindex(columns=['sex','age','fare'])
解决方案 4：
另外，给定一个 DataFrame
数据
就像您的示例一样，如果您只想提取 a 列和 d 列（即第 1 列和第 4 列），那么 pandas 数据框中的 iloc 方法就是您所需要的，并且可以非常有效地使用。您需要知道的只是要提取的列的索引。例如：
>>> data.iloc[:,[0,3]]
会给你
a d
0 0.883283 0.100975
1 0.614313 0.221731
2 0.438963 0.224361
3 0.466078 0.703347
4 0.955285 0.114033
5 0.268443 0.416996
6 0.613241 0.327548
7 0.370784 0.359159
8 0.692708 0.659410
9 0.806624 0.875476
解决方案 5：
DataFrame您可以通过引用列表中每列的名称来对列进行切片，如下所示：
data = pandas.DataFrame(np.random.rand(10,5), columns = list('abcde'))
data_ab = data[list('ab')]
data_cde = data[list('cde')]
解决方案 6：
如果你来这里是为了切分两列并将它们组合在一起（就像我一样），你可以这样做
op = df[list(df.columns[0:899]) + list(df.columns[3593:])]
print op
这将创建一个新的数据框，其中包含前 900 列和（所有）列 > 3593（假设您的数据集中有大约 4000 列）。
解决方案 7：
以下是如何使用不同的方法进行选择性列切片，包括基于选择性标签的切片、基于索引的切片和基于选择性范围的切片。
In [37]: import pandas as pd
In [38]: import numpy as np
In [43]: df = pd.DataFrame(np.random.rand(4,7), columns = list('abcdefg'))
In [44]: df
Out[44]:
a b c d e f g
0 0.409038 0.745497 0.890767 0.945890 0.014655 0.458070 0.786633
1 0.570642 0.181552 0.794599 0.036340 0.907011 0.655237 0.735268
2 0.568440 0.501638 0.186635 0.441445 0.703312 0.187447 0.604305
3 0.679125 0.642817 0.697628 0.391686 0.698381 0.936899 0.101806
In [45]: df.loc[:, ["a", "b", "c"]] ## label based selective column slicing
Out[45]:
a b c
0 0.409038 0.745497 0.890767
1 0.570642 0.181552 0.794599
2 0.568440 0.501638 0.186635
3 0.679125 0.642817 0.697628
In [46]: df.loc[:, "a":"c"] ## label based column ranges slicing
Out[46]:
a b c
0 0.409038 0.745497 0.890767
1 0.570642 0.181552 0.794599
2 0.568440 0.501638 0.186635
3 0.679125 0.642817 0.697628
In [47]: df.iloc[:, 0:3] ## index based column ranges slicing
Out[47]:
a b c
0 0.409038 0.745497 0.890767
1 0.570642 0.181552 0.794599
2 0.568440 0.501638 0.186635
3 0.679125 0.642817 0.697628
### with 2 different column ranges, index based slicing:
In [49]: df[df.columns[0:1].tolist() + df.columns[1:3].tolist()]
Out[49]:
a b c
0 0.409038 0.745497 0.890767
1 0.570642 0.181552 0.794599
2 0.568440 0.501638 0.186635
3 0.679125 0.642817 0.697628
解决方案 8：
假设您想要所有行，从 DataFrame 中获取列子集的另一种方法是执行以下操作：
data[['a','b']]如果data[['c','d','e']]
您想使用数字列索引，您可以执行
data[data.columns[:2]]以下操作：data[data.columns[2:]]
解决方案 9：
其等价物
>>> print(df2.loc[140:160,['Relevance','Title']])
>>> print(df2.ix[140:160,[3,7]])
解决方案 10：
如果数据框看起来像这样：
group name count
fruit apple 90
fruit banana 150
fruit orange 130
vegetable broccoli 80
vegetable kale 70
vegetable lettuce 125
输出可能像
group name count
0 fruit apple 90
1 fruit banana 150
2 fruit orange 130
如果你使用逻辑运算符 np.logical_not
df[np.logical_not(df['group'] == 'vegetable')]
更多信息
https://docs.scipy.org/doc/numpy-1.13.0/reference/routines.logic.html
其他逻辑运算符
logical_and(x1, x2, /[, out, where, ...]) 逐个元素计算 x1 和 x2 的真值。
logical_or(x1, x2, /[, out, where, casting, ...]) 逐个元素计算 x1 或 x2 的真值。
logical_not(x, /[, out, where, casting, ...]) 逐个元素计算 NOT x 的真值。
logical_xor(x1, x2, /[, out, where, ..]) 逐个元素计算 x1 XOR x2 的真值。
解决方案 11：
您可以使用该方法truncate
df = pd.DataFrame(np.random.rand(10, 5), columns = list('abcde'))
df_ab = df.truncate(before='a', after='b', axis=1)
df_cde = df.truncate(before='c', axis=1)
扫码咨询，免费领取项目管理大礼包！
