关于python:pandas:使用运算符链接过滤DataFrame的行

pandas: filter rows of DataFrame with operator chaining

pandas中的大多数操作都可以通过操作链(groupbyaggregateapply等)来完成,但我找到的筛选行的唯一方法是通过正常的括号索引。

1
df_filtered = df[df['column'] == value]

这是不吸引人的,因为它要求我在能够过滤变量值之前将df分配给变量。有没有更像下面的内容?

1
df_filtered = df.mask(lambda x: x['column'] == value)


我不完全确定您想要什么,您的最后一行代码也没有帮助,但无论如何:

"链接"过滤是通过"链接"布尔索引中的条件来完成的。

1
2
3
4
5
6
7
8
9
10
11
12
In [96]: df
Out[96]:
   A  B  C  D
a  1  4  9  1
b  4  5  0  2
c  5  5  1  0
d  1  3  9  6

In [99]: df[(df.A == 1) & (df.D == 6)]
Out[99]:
   A  B  C  D
d  1  3  9  6

如果你想链接方法,你可以添加你自己的蒙版方法并使用它。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
In [90]: def mask(df, key, value):
   ....:     return df[df[key] == value]
   ....:

In [92]: pandas.DataFrame.mask = mask

In [93]: df = pandas.DataFrame(np.random.randint(0, 10, (4,4)), index=list('abcd'), columns=list('ABCD'))

In [95]: df.ix['d','A'] = df.ix['a', 'A']

In [96]: df
Out[96]:
   A  B  C  D
a  1  4  9  1
b  4  5  0  2
c  5  5  1  0
d  1  3  9  6

In [97]: df.mask('A', 1)
Out[97]:
   A  B  C  D
a  1  4  9  1
d  1  3  9  6

In [98]: df.mask('A', 1).mask('D', 6)
Out[98]:
   A  B  C  D
d  1  3  9  6


可以使用pandas查询链接过滤器:

1
2
df = pd.DataFrame( np.random.randn(30,3), columns = ['a','b','c'])
df_filtered = df.query('a>0').query('0<b<2')

也可以在单个查询中组合过滤器:

1
df_filtered = df.query('a>0 and 0<b<2')


@lodagro的回答很好。我将通过将mask函数归纳为:

1
2
def mask(df, f):
  return df[f(df)]

然后你可以做如下的事情:

1
df.mask(lambda x: x[0] < 0).mask(lambda x: x[1] > 0)


从0.18.1版开始,.loc方法接受可调用的选择。与lambda函数一起,您可以创建非常灵活的可链接过滤器:

1
2
3
4
5
6
7
import numpy as np
import pandas as pd

df = pd.DataFrame(np.random.randint(0,100,size=(100, 4)), columns=list('ABCD'))
df.loc[lambda df: df.A == 80]  # equivalent to df[df.A == 80] but chainable

df.sort_values('A').loc[lambda df: df.A > 80].loc[lambda df: df.B > df.A]

如果你所做的只是过滤,你也可以省略.loc


我提供这个作为额外的例子。这与https://stackoverflow.com/a/28159296的答案相同。/

我将添加其他编辑以使此文章更有用。

pandas.DataFrame.query江户十一〔二〕正是为了这个目的而制造的。考虑数据帧df

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
import pandas as pd
import numpy as np

np.random.seed([3,1415])
df = pd.DataFrame(
    np.random.randint(10, size=(10, 5)),
    columns=list('ABCDE')
)

df

   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

让我们用query来过滤D > B所在的所有行。

1
2
3
4
5
6
7
8
9
10
df.query('D > B')

   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
7  6  2  6  6  5

我们链

1
2
3
4
5
6
7
8
9
10
11
df.query('D > B').query('C > B')
# equivalent to
# df.query('D > B and C > B')
# but defeats the purpose of demonstrating chaining

   A  B  C  D  E
0  0  2  7  3  8
1  7  0  6  8  6
4  3  6  7  7  4
5  5  3  7  5  9
7  6  2  6  6  5


我的回答和其他人相似。如果您不想创建一个新的函数,您可以使用熊猫已经为您定义的函数。使用管道方法。

1
df.pipe(lambda d: d[d['column'] == value])


我也有同样的问题,只是我想把标准合并成一个或条件。wouter overmeire给出的格式将标准合并为一个和条件,这样两个条件都必须满足:

1
2
3
4
5
6
7
8
9
10
11
12
In [96]: df
Out[96]:
   A  B  C  D
a  1  4  9  1
b  4  5  0  2
c  5  5  1  0
d  1  3  9  6

In [99]: df[(df.A == 1) & (df.D == 6)]
Out[99]:
   A  B  C  D
d  1  3  9  6

但我发现,如果将每个条件包装在(... == True)中并用管道连接这些条件,则这些条件组合在一个或条件中,只要其中一个条件为真,就满足:

1
df[((df.A==1) == True) | ((df.D==6) == True)]


如果要应用所有常见的布尔值遮罩以及通用遮罩,可以将以下内容放入一个文件中,然后简单地按如下方式分配它们:

1
pd.DataFrame = apply_masks()

用途:

1
2
A = pd.DataFrame(np.random.randn(4, 4), columns=["A","B","C","D"])
A.le_mask("A", 0.7).ge_mask("B", 0.2)... (May be repeated as necessary

它有点黑客,但如果你不断地根据过滤器来切碎和更改数据集,它可以让事情变得更干净一点。在gen_mask函数中还有一个通用过滤器,它是根据上面的daniel velkov改编的,您可以使用lambda函数,或者在需要时使用。

要保存的文件(我使用masks.py):

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
import pandas as pd

def eq_mask(df, key, value):
    return df[df[key] == value]

def ge_mask(df, key, value):
    return df[df[key] >= value]

def gt_mask(df, key, value):
    return df[df[key] > value]

def le_mask(df, key, value):
    return df[df[key] <= value]

def lt_mask(df, key, value):
    return df[df[key] < value]

def ne_mask(df, key, value):
    return df[df[key] != value]

def gen_mask(df, f):
    return df[f(df)]

def apply_masks():

    pd.DataFrame.eq_mask = eq_mask
    pd.DataFrame.ge_mask = ge_mask
    pd.DataFrame.gt_mask = gt_mask
    pd.DataFrame.le_mask = le_mask
    pd.DataFrame.lt_mask = lt_mask
    pd.DataFrame.ne_mask = ne_mask
    pd.DataFrame.gen_mask = gen_mask

    return pd.DataFrame

if __name__ == '__main__':
    pass

大熊猫提供了两种替代方法来替代沃特·奥维米尔的答案,而不需要任何压倒性的回答。一个是带可调用的.loc[.],如

1
df_filtered = df.loc[lambda x: x['column'] == value]

另一个是.pipe(),如

1
df_filtered = df.pipe(lambda x: x['column'] == value)

这个解决方案在实现方面更为黑客,但我发现它在使用方面更为清晰,而且它肯定比其他建议的更为通用。

https://github.com/toobaz/generic_utils/blob/master/generic_utils/pandas/where.py

您不需要下载整个repo:保存文件并执行

1
from where import where as W

就够了。然后像这样使用它:

1
2
3
4
5
6
7
8
9
10
11
df = pd.DataFrame([[1, 2, True],
                   [3, 4, False],
                   [5, 7, True]],
                  index=range(3), columns=['a', 'b', 'c'])
# On specific column:
print(df.loc[W['a'] > 2])
print(df.loc[-W['a'] == W['b']])
print(df.loc[~W['c']])
# On entire - or subset of a - DataFrame:
print(df.loc[W.sum(axis=1) > 3])
print(df.loc[W[['a', 'b']].diff(axis=1)['b'] > 1])

稍微不那么愚蠢的用法示例:

1
data = pd.read_csv('ugly_db.csv').loc[~(W == '$null$').any(axis=1)]

顺便说一句:即使在只使用布尔列的情况下,

1
df.loc[W['cond1']].loc[W['cond2']]

效率比

1
df.loc[W['cond1'] & W['cond2']]

因为它只在cond1True的情况下对cond2进行评估。

免责声明:我第一次在别处给出这个答案是因为我没有看到这个。


This is unappealing as it requires I assign df to a variable before being able to filter on its values.

1
df[df["column_name"] != 5].groupby("other_column_name")

似乎有效:您也可以链接[]操作符。也许你问这个问题之后他们就加了。


只想添加一个使用loc的演示,不仅按行过滤,而且按列过滤,这对链式操作有一些好处。

下面的代码可以按值筛选行。

1
df_filtered = df.loc[df['column'] == value]

通过稍微修改它,您也可以过滤列。

1
df_filtered = df.loc[df['column'] == value, ['year', 'column']]

那么为什么我们要一个链式方法呢?答案是,如果您有许多操作,那么阅读起来很简单。例如,

1
2
3
4
res =  df\
    .loc[df['station']=='USA', ['TEMP', 'RF']]\
    .groupby('year')\
    .agg(np.nanmean)

如果将列设置为搜索索引,则可以使用DataFrame.xs()获取横截面。这并不像query答案那样通用,但在某些情况下可能有用。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
import pandas as pd
import numpy as np

np.random.seed([3,1415])
df = pd.DataFrame(
    np.random.randint(3, size=(10, 5)),
    columns=list('ABCDE')
)

df
# Out[55]:
#    A  B  C  D  E
# 0  0  2  2  2  2
# 1  1  1  2  0  2
# 2  0  2  0  0  2
# 3  0  2  2  0  1
# 4  0  1  1  2  0
# 5  0  0  0  1  2
# 6  1  0  1  1  1
# 7  0  0  2  0  2
# 8  2  2  2  2  2
# 9  1  2  0  2  1

df.set_index(['A', 'D']).xs([0, 2]).reset_index()
# Out[57]:
#    A  D  B  C  E
# 0  0  2  2  2  2
# 1  0  2  1  1  0

您还可以利用numpy库进行逻辑操作。速度很快。

1
df[np.logical_and(df['A'] == 1 ,df['B'] == 6)]