如何根据条件表达式从 pandas DataFrame 中删除行[重复]

问题描述：

我有一个 pandas DataFrame，我想从中删除特定列中字符串长度大于 2 的行。

我希望能够做到这一点（根据这个答案）：

df[(len(df['column name']) < 2)]

但我刚刚收到错误：

KeyError: u'no item named False'

我做错什么了？

（注意：我知道我可以用来df.dropna()删除包含任何的行NaN，但是我没有看到如何根据条件表达式删除行。）

解决方案 1：

为了直接回答这个问题的原标题“如何根据条件表达式从 pandas DataFrame 中删除行”（我理解这不一定是 OP 的问题，但可以帮助遇到这个问题的其他用户）一种方法是使用 drop方法：

df = df.drop(some labels)
df = df.drop(df[<some boolean condition>].index)

例子

删除列“分数”小于 50 的所有行：

df = df.drop(df[df.score < 50].index)

就位版本（如评论中指出的那样）

df.drop(df[df.score < 50].index, inplace=True)

多个条件

（参见布尔索引）

运算符包括：|for or、&forand和~for not。必须使用括号对这些运算符进行分组。

删除列“分数”小于 50 且大于 20 的所有行

df = df.drop(df[(df.score < 50) & (df.score > 20)].index)

解决方案 2：

执行此操作时，len(df['column name'])您只会获得一个数字，即 DataFrame 中的行数（即列本身的长度）。如果要应用于len列中的每个元素，请使用df['column name'].map(len)。所以尝试

df[df['column name'].map(len) < 2]

解决方案 3：

您可以将 分配DataFrame给其自身的过滤版本：

df = df[df.score > 50]

这比以下更快drop：

%%timeit
test = pd.DataFrame({'x': np.random.randn(int(1e6))})
test = test[test.x < 0]
# 54.5 ms ± 2.02 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

%%timeit
test = pd.DataFrame({'x': np.random.randn(int(1e6))})
test.drop(test[test.x > 0].index, inplace=True)
# 201 ms ± 17.9 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

%%timeit
test = pd.DataFrame({'x': np.random.randn(int(1e6))})
test = test.drop(test[test.x > 0].index)
# 194 ms ± 7.03 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

解决方案 4：

我将扩展@User的通用解决方案以提供drop免费替代方案。这是针对根据问题标题（而非 OP 的问题）来到这里的人的

假设你想删除所有具有负值的行。一个解决方案是：

df = df[(df > 0).all(axis=1)]

一步一步解释：--

让我们生成一个 5x5 的随机正态分布数据框

np.random.seed(0)
df = pd.DataFrame(np.random.randn(5,5), columns=list('ABCDE'))
      A         B         C         D         E
0  1.764052  0.400157  0.978738  2.240893  1.867558
1 -0.977278  0.950088 -0.151357 -0.103219  0.410599
2  0.144044  1.454274  0.761038  0.121675  0.443863
3  0.333674  1.494079 -0.205158  0.313068 -0.854096
4 -2.552990  0.653619  0.864436 -0.742165  2.269755

让条件删除负数。满足条件的布尔 df：-

df > 0
      A     B      C      D      E
0   True  True   True   True   True
1  False  True  False  False   True
2   True  True   True   True   True
3   True  True  False   True  False
4  False  True   True  False   True

满足条件的所有行的布尔系列 注意，如果行中的任何元素不满足条件，则该行被标记为 false

(df > 0).all(axis=1)
0     True
1    False
2     True
3    False
4    False
dtype: bool

最后根据条件从数据框中筛选出行

df[(df > 0).all(axis=1)]
      A         B         C         D         E
0  1.764052  0.400157  0.978738  2.240893  1.867558
2  0.144044  1.454274  0.761038  0.121675  0.443863

您可以将其分配回 df 以实际删除上面完成的vs过滤

df = df[(df > 0).all(axis=1)]

这可以轻松扩展以过滤掉包含 NaN （非数字条目）的行：-

df = df[(~df.isnull()).all(axis=1)]

对于以下情况，也可以简化此操作：删除 E 列为负数的所有行

df = df[(df.E>0)]

最后，我想用一些分析统计数据来说明为什么@User的drop解决方案比基于原始列的过滤速度慢：-

%timeit df_new = df[(df.E>0)]
345 µs ± 10.5 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
%timeit dft.drop(dft[dft.E < 0].index, inplace=True)
890 µs ± 94.9 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

列基本上就是Series一个NumPy数组，可以无成本地对其进行索引。对于对底层内存组织如何影响执行速度感兴趣的人，这里有一个关于加快 Pandas 速度的很棒的链接：

解决方案 5：

在熊猫中，您可以根据str.len边界并使用布尔结果进行过滤。

df[df['column name'].str.len().lt(2)]

解决方案 6：

如果您想根据列值上的某些复杂条件删除数据框中的行，那么按照上面显示的方式编写可能会很复杂。我有以下更简单的解决方案，它总是有效的。让我们假设您想删除带有“标题”的列，因此首先将该列放入列表中。

text_data = df['name'].tolist()

现在对列表的每个元素应用一些函数并将其放入熊猫系列中：

text_length = pd.Series([func(t) for t in text_data])

就我而言，我只是想获取令牌的数量：

text_length = pd.Series([len(t.split()) for t in text_data])

现在在数据框中添加一个包含上述系列的额外列：

df = df.assign(text_length = text_length .values)

现在我们可以在新列上应用条件，例如：

df = df[df.text_length  >  10]

def pass_filter(df, label, length, pass_type):

    text_data = df[label].tolist()

    text_length = pd.Series([len(t.split()) for t in text_data])

    df = df.assign(text_length = text_length .values)

    if pass_type == 'high':
        df = df[df.text_length  >  length]

    if pass_type == 'low':
        df = df[df.text_length  <  length]

    df = df.drop(columns=['text_length'])

    return df