pandas：使用运算符链过滤 DataFrame 的行-IT科技

摘要：问题描述：中的大多数操作都可以通过运算符链（、、等）pandas来完成，但我发现过滤行的唯一方法是通过普通括号索引groupby`aggregate`applydf_filtered = df[df['column'] == value] 这很不吸引人，因为它要求我df先分配给一个变量，然后才能过滤其值。还...

问题描述：

中的大多数操作都可以通过运算符链（、、等）pandas来完成，但我发现过滤行的唯一方法是通过普通括号索引groupby`aggregate`apply

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

这很不吸引人，因为它要求我df先分配给一个变量，然后才能过滤其值。还有更像下面这样的东西吗？

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

解决方案 1：

我不完全确定你想要什么，你的最后一行代码也没有什么帮助，但是无论如何：

“链式”过滤是通过“链接”布尔索引中的标准来完成的。

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

如果您想要链接方法，您可以添加自己的 mask 方法并使用该方法。

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

解决方案 2：

可以使用 Pandas查询链接过滤器：

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

过滤器也可以组合在单个查询中：

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

解决方案 3：

@lodagro 的回答很棒。我将通过将 mask 函数概括为以下内容来扩展它：

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

然后你可以做类似的事情：

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

解决方案 4：

自0.18.1 版本起，该.loc方法接受可调用函数进行选择。结合 lambda 函数，您可以创建非常灵活的可链接过滤器：

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]

如果您所做的只是过滤，那么您也可以省略.loc。

解决方案 5：

pandas 提供了两种替代 Wouter Overmeire 答案的方法，不需要任何覆盖。一种是.loc[.]使用可调用函数，例如

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

另一个是.pipe()，如

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

解决方案 6：

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

我将添加其他编辑以使这篇文章更有用。

pandas.DataFrame.query

query就是为了这个目的而制作的。考虑一下数据框df

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

让我们用来query过滤所有行D > B

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

我们连锁

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

解决方案 7：

我的回答和其他人的回答类似。如果你不想创建新函数，你可以使用 pandas 已经为你定义的函数。使用 pipe 方法。

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

解决方案 8：

我有同样的问题，只是我想将条件组合成 OR 条件。Wouter Overmeire 给出的格式将条件组合成 AND 条件，这样两个条件都必须满足：

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，如果你将每个条件包装起来(... == True)并用管道连接条件，则条件将组合成 OR 条件，只要其中任何一个为真，条件就会满足：

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

解决方案 9：

只想添加一个演示，使用loc不仅按行而且按列进行过滤，以及对链接操作的一些优点。

下面的代码可以按值过滤行。

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

通过稍微修改它，您也可以过滤列。

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

那么我们为什么需要链式方法呢？答案是，如果有很多操作，链式方法就更容易阅读。例如，

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

解决方案 10：

如果您想要应用所有常见的布尔掩码以及通用掩码，您可以将以下内容放入一个文件中，然后简单地将它们全部分配，如下所示：

pd.DataFrame = apply_masks()

用法：

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

这有点儿老套，但如果你根据过滤器不断切割和更改数据集，它可以让事情变得更清晰一些。gen_mask 函数中还有一个由 Daniel Velkov 改编的通用过滤器，你可以将其与 lambda 函数一起使用，或者根据需要将其用于其他用途。

要保存的文件（我使用mask.py）：

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

解决方案 11：

因此，我的看法是，在对数据进行子集设置以备分析时，你要做两件事。

获取行
获取列

Pandas 有多种方法可以实现上述每个功能，还有一些技术可以帮助获取行和列。对于 Pandas 新用户来说，选择太多可能会让人感到困惑。

您是否使用 iloc、loc、括号、查询、isin、np.where、mask 等......

方法链

现在，方法链是数据整理时的好方法。在 R 中，他们有一个简单的方法，即select()列和filter()行。

因此，如果我们想让 Pandas 保持简单，为什么不使用filter()for 列和query()for 行呢？它们都返回数据框，因此无需处理布尔索引，也无需对df[ ]返回值进行四舍五入。

那么它看起来像什么：-

df.filter(['col1', 'col2', 'col3']).query("col1 == 'sometext'")

然后您可以链接任何其他方法groupby，如dropna()，，，sort_values()等等reset_index()。

通过保持一致并使用它filter()获取列和query()行，一段时间后再返回时将更容易读取代码。

但是过滤器可以选择行吗？

是的，这是真的，但默认情况下query()会获取行和filter()列。因此，如果您坚持使用默认设置，则无需使用该axis=参数。

询问（）

andquery() 可以与//一起使用or &，|也可以使用比较运算符> , < , >= , <=, ==, !=。您还可以使用 Python in，而不是 in。

您可以使用@my_list传递列表进行查询

使用查询获取行的一些示例

df.query('A > B')

df.query('a not in b')

df.query("series == '2206'")

df.query("col1 == @mylist")

df.query('Salary_in_1000 >= 100 & Age < 60 & FT_Team.str.startswith("S").values')

筛选（）

因此，过滤器基本上类似于使用括号df[]，或者df[[]]说它使用标签来选择列。但它的作用比括号符号更多。

过滤器有like=参数，以帮助选择具有部分名称的列。

df.filter(like='partial_name',)

过滤器也有正则表达式来帮助选择

df.filter(regex='reg_string')

因此，总结一下，这种工作方式可能不适用于所有情况，例如，如果您想使用索引/切片，那么 iloc 就是最佳选择。但这似乎是一种可靠的工作方式，可以简化您的工作流程和代码。

解决方案 12：

这个解决方案在实施方面更加黑客化，但我发现它在使用方面更加干净，并且肯定比其他提出的解决方案更通用。

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

你不需要下载整个仓库：保存文件并执行

from where import where as W

就足够了。然后你可以像这样使用它：

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])

一个稍微不那么愚蠢的用法示例：

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

顺便说一句：即使在您仅使用布尔值的情况下，

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

比

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

因为它只评估cond2在cond1哪里True。

免责声明：我首先在其他地方给出了这个答案，因为我没有看到过这个。

解决方案 13：

这没有吸引力的，因为它要求我df先分配给一个变量，然后才能过滤其值。

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

似乎有效：您[]也可以嵌套该运算符。也许他们自从您提出这个问题后就添加了它。

解决方案 14：

您还可以利用numpy库进行逻辑运算。它的速度非常快。

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

解决方案 15：

如果您将要搜索的列设置为索引，则可以使用它DataFrame.xs()进行横截面分析。这不像query答案那样通用，但在某些情况下可能会有用。

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