根据pandas中列中的值从DataFrame中select行

如何从一个DataFrame中select一些基于pandas某些列中的值的行?
在SQL中,我将使用:

select * from table where colume_name = some_value. 

我试图看pandas的文件,但没有立即find答案。

要select列值等于标量some_value ,请使用==

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

要select列值在可迭代的some_values ,请使用some_values

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

将多个条件与&组合在一起:

 df.loc[(df['column_name'] == some_value) & df['other_column'].isin(some_values)] 

要select列值不等于 some_value ,请使用!=

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

isin返回一个布尔数列,所以要select其值不在 some_values行,使用~否定布尔数列:

 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) # ABCD # 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

  ABCD 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 

如果你想包含多个值,把它们放在一个列表(或者更一般地说,任何可迭代的)中,并使用isin

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

产量

  ABCD 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 

但是,请注意,如果您希望多次执行此操作,首先创build索引,然后使用df.loc会更有效:

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

产量

  ACD 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,请使用df.index.isin

 df.loc[df.index.isin(['one','two'])] 

产量

  ACD 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 

TL;博士

pandas相当于

 select * from table where column_name = some_value 

 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]给出了基于列值的行,在这种情况下是222

多个条件也是可能的:

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

但在那一点上,我会build议使用查询function,因为它不那么冗长,并产生相同的结果:

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

我发现以前答案的语法是多余的,难以记忆。 pandas引入了v0.13中的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]: abc 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]: abc 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]: abc 3 0.011763 0.022921 0.244186 8 0.116822 0.364564 0.454607 

您也可以通过预先join@来访问环境中的variables。

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

有几个基本的方法可以从pandas数据框中select行。

  1. 布尔索引
  2. 位置索引
  3. 标签索引
  4. API

对于每种基本types,我们可以通过将自己限制在pandasAPI来简化事情,或者我们可以在API之外进行冒险,通常会变成numpy ,并加快速度。

我会告诉你每个例子,并指导你何时使用某些技术。


build立
我们需要做的第一件事是确定一个条件,作为select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'A' = 'foo'

1。
布尔索引需要find每行'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个真值的数组, mask 。 我们也会在这里做。

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

然后我们可以使用这个掩码来对dataframe进行分片或索引

 df[mask] ABCD 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 

这是完成这个任务最简单的方法之一,如果性能或直觉不是问题,这应该是你select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buildmask


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] ABCD 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) ABCD 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是一个非常优雅/直观的方式来执行此任务。 但是通常比较慢。 但是 ,如果您注意以下时间,对于大数据,查询是非常有效的。 比我的最好的build议更像标准的方法和类似的数量。

 df.query('A == "foo"') ABCD 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

实际的改进可以通过修改我们如何创buildBoolean mask

mask替代1
使用底层numpy数组,并放弃创build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testing,但只要看看使用示例数据框所获得的性能提升。 首先我们看看在创buildmask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numpyarrays评估mask的速度要快30倍。 部分原因是由于评估经常比较快。 这也是由于缺less构build索引和相应的pd.Series对象所需的开销。

接下来,我们将看看用一个mask与另一个mask切片的时机。

 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) 

性能收益并不如此明显。 我们会看看这是否能够支撑更强大的testing。


mask替代2
我们也可以重构数据框。 重build一个数据dtypes时有一个很大的警告 – 当你这样做的时候你必须照顾这个dtypes

我们将这样做,而不是df[mask]

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

如果数据框是混合types,我们的例子是,那么当我们得到df.values ,结果数组是df.values object ,因此新数据df.values的所有列将是dtype object 。 因此需要使用astype(df.dtypes)并且astype(df.dtypes)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dataframe不是混合types的,这是一个非常有用的方法。

特定

 np.random.seed([3,1415]) d1 = pd.DataFrame(np.random.randint(10, size=(10, 5)), columns=list('ABCDE')) d1 ABCDE 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替代3
@unutbu还向我们展示了如何使用pd.Series.isin来解释df['A']每个元素是否在一组值中。 如果我们的一组值是一组值,即'foo' ,那么这个评估就是同样的事情。 但是如果需要的话,它也推广到包含更大的值集合。 事实certificate,尽pipe这是一个比较一般的解决scheme,但这个速度还是相当快的。 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] ABCD 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 

然而,和以前一样,我们可以利用numpy来改善性能,同时几乎任何东西都可以亵渎。 我们将使用np.in1d

 mask = np.in1d(df['A'].values, ['foo']) df[mask] ABCD 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 

定时
我将包括其他文章中提到的其他概念,以供参考。
代码如下

这个表中的每一列表示一个不同长度的dataframe,我们在这个dataframe上testing每个函数 每列显示了相对的时间,最快的函数给出了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 

您会注意到最快的时间似乎在mask_with_valuesmask_with_in1d之间共享

 res.T.plot(loglog=True) 

在这里输入图像描述

function

 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) 

特殊的时间
查看整个数据dtype有单个非对象dtype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 

原来,重build不过去几百行。

 spec.T.plot(loglog=True) 

在这里输入图像描述

function

 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) 

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 

我只是尝试编辑这个,但我没有login,所以我不知道我的编辑去了哪里。 我试图纳入多个select。 所以我觉得更好的答案是:

对于单个值来说,最直接的(人类可读的)可能是:

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

对于您也可以使用的值列表:

 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) # ABCD # 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

  ABCD 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 

如果你有多个标准,你可以把它们放在一个列表中,并使用'isin':

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

产量

  ABCD 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 

但是请注意,如果您希望多次执行此操作,首先将索引设为A,然后使用df.loc会更有效:

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

产量

  ABCD foo one 0 0 foo two 2 4 foo two 4 8 foo one 6 12 foo three 7 14 

使用numpy.where可以实现更快的结果。

例如,使用unubtu的设置 –

 In [76]: df.iloc[np.where(df.A.values=='foo')] Out[76]: ABCD 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 
 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: ABCD 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 

如果你来这里想通过包含那些列值不是任何值列表的行来从数据框中select行,下面是如何在unutbu的回答中翻转上面的值列表:

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

(不包括单个值,当然,你只是使用正则不等于运算符, != 。)

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

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

在子列B中仅列出那些不是onethree的行:

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

产量

  AB 2 foo two 4 foo two 5 bar two 

要追加到这个着名的问题(虽然有点晚):你也可以做df.groupby('column_name').get_group('column_desired_value').reset_index()来创build一个新的数据框,其中指定的列有一个特定的值。 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) 

运行这个给出:

 Original dataframe: AB 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: AB 0 foo two 1 foo two 2 bar two