问答中心分类: DATABASE如何根据列值从 DataFrame 中选择行?
0
匿名用户 提问 5分钟 前

如何根据 Pandas 中某列中的值从 DataFrame 中选择行?
在 SQL 中,我会使用:

SELECT *
FROM table
WHERE column_name = some_value
debaonline4u 回复 5分钟 前

这是与 SQL 的比较:pandas.pydata.org/pandas-docs/stable/comparison_with_sql.html您可以在其中将 pandas 作为 SQL 运行。

debaonline4u 回复 5分钟 前

您还可以使用 DFsql,在 pandas 数据帧上运行内存 SQLmedium.com/riselab/… github.com/mindsdb/dfsql

debaonline4u 回复 5分钟 前

被引导到这里根据列表多列值寻找匹配。这篇文章只是关于一列中的值。建议编辑标题阅读“列中的值”以避免错误的搜索结果。

debaonline4u 回复 5分钟 前

这个问题是关于检索价值观。为了环境值,我建议看看这个 SO question-thread以及随附的评论

15 Answers
0
piRSquared 回答 5分钟 前

有几种方法可以从 Pandas 数据框中选择行:

  1. 布尔索引 (df[df['col'] == value])
  2. 位置索引 (df.iloc[...])
  3. 标签索引 (df.xs(...))
  4. df.query(...)API

下面我将向您展示每个示例,以及何时使用某些技术的建议。假设我们的标准是列'A'=='foo'
(关于性能的注意事项:对于每种基本类型,我们可以使用 Pandas API 使事情变得简单,或者我们可以在 API 之外冒险,通常进入 NumPy,并加快速度。)

设置
我们需要的第一件事是确定一个条件,它将作为我们选择行的标准。我们将从 OP 的案例开始column_name == some_value,并包括其他一些常见用例。
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})

1.布尔索引
…布尔索引需要找到每一行的真实值'A'列等于'foo',然后使用这些真值来确定要保留哪些行。通常,我们将这个系列命名为一组真值,mask.我们也会在这里这样做。

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

然后我们可以使用这个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,这应该是您选择的方法。但是,如果性能是一个问题,那么您可能需要考虑另一种方法来创建mask.

2.位置索引
位置索引 (df.iloc[...]) 有它的用例,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。这让我们执行了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
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.df.query()API
pd.DataFrame.query是执行此任务的一种非常优雅/直观的方式,但通常速度较慢。然而,如果你注意下面的时序,对于大数据,查询是非常有效的。比标准方法更重要,并且与我的最佳建议相似。

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我们的方式来进行实际的改进Boolean mask.
mask备选方案 1
使用底层 NumPy 数组并放弃创建另一个数组的开销pd.Series

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

我将在最后展示更完整的时间测试,但只需看看我们使用示例数据框获得的性能提升。首先,我们看看创建的区别mask

%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)

评估mask使用 NumPy 数组快 30 倍。这部分是由于 NumPy 评估通常更快。这也部分是由于缺乏构建索引和相应的开销所必需的开销。pd.Series目的。
接下来,我们来看看用一个切片的时机mask相对于另一个。

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)

性能提升并不那么明显。我们将看看这是否支持更强大的测试。

mask备选方案 2我们也可以重建数据框。重建数据框时有一个很大的警告——你必须注意dtypes这样做的时候!
代替df[mask]我们会这样做

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

如果数据框是混合类型的,例如我们的示例,那么当我们得到df.values结果数组是dtype object因此,新数据框的所有列都将是dtype object.因此要求astype(df.dtypes)并扼杀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,如果数据框不是混合类型,这是一种非常有用的方法。
给定

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)

相对

%%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备选方案 3
@unutbu 还向我们展示了如何使用pd.Series.isin考虑到每个元素df['A']在一组值中。如果我们的一组值是一组一个值,则这会评估相同的结果,即'foo'.但如果需要,它也可以概括为包括更大的值集。事实证明,这仍然相当快,即使它是一个更通用的解决方案。对于那些不熟悉这个概念的人来说,唯一真正的损失是直觉。

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

然而,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

定时
我还将包括其他帖子中提到的其他概念以供参考。
下面的代码
每个柱子在这个表中代表了一个不同长度的数据帧,我们在这个数据帧上测试每个函数。每列显示相对时间,给定基本索引的最快函数1.0.

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.

res.T.plot(loglog=True)

在此处输入图像描述
功能

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]

测试

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)

特殊时间
查看当我们有一个非对象时的特殊情况dtype对于整个数据框。
下面的代码

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,重建几百行是不值得的。

spec.T.plot(loglog=True)

在此处输入图像描述
功能

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
)

测试

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)
junyu 回复 5分钟 前

利用df['A'].values == 'foo'apper FutureWarning:元素比较失败;而是返回标量,但将来将执行元素比较

0
imolit 回答 5分钟 前

tl;博士
熊猫相当于

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)]

或者

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,它是行df[df.foo == 222]根据列值给出行,222在这种情况下。
多个条件也是可能的:

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

但那时我建议使用询问函数,因为它不那么冗长并且产生相同的结果:

df.query('foo == 222 | bar == 444')
0
fredcallaway 回答 5分钟 前

我发现以前答案的语法是多余的,很难记住。熊猫推出了query()v0.13 中的方法,我更喜欢它。对于你的问题,你可以做df.query('col == val').
转载自query() 方法(实验性)

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

您还可以通过预先添加一个来访问环境中的变量@.

exclude = ('red', 'orange')
df.query('color not in @exclude')
0
Erfan 回答 5分钟 前

使用更灵活.query熊猫> = 0.25.0:
由于 pandas >= 0.25.0 我们可以使用query使用 pandas 方法甚至包含空格的列名来过滤数据帧的方法。通常,列名中的空格会出错,但现在我们可以使用反引号 (`) 来解决这个问题 – 请参阅GitHub

# Example dataframe
df = pd.DataFrame({'Sender email':['ex@example.com', "reply@shop.com", "buy@shop.com"]})

     Sender email
0  ex@example.com
1  reply@shop.com
2    buy@shop.com

使用.query用方法str.endswith

df.query('`Sender email`.str.endswith("@shop.com")')

输出

Sender email
1  reply@shop.com
2    buy@shop.com

我们也可以通过在局部变量前面加上一个前缀来使用它@在我们的查询中:

domain = 'shop.com'
df.query('`Sender email`.str.endswith(@domain)')

输出

Sender email
1  reply@shop.com
2    buy@shop.com
0
SP001 回答 5分钟 前

对于 Pandas 中的给定值,仅从多列中选择特定列:

select col_name1, col_name2 from table where column_name = some_value.

选项loc

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

或者query

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