Wybieranie za pomocą złożonych kryteriów z pandas.DataFrame

Na przykład mam prosty DF:

import pandas as pd
from random import randint

df = pd.DataFrame({'A': [randint(1, 9) for x in xrange(10)],
                   'B': [randint(1, 9)*10 for x in xrange(10)],
                   'C': [randint(1, 9)*100 for x in xrange(10)]})

Czy mogę wybrać wartości z „A”, dla których odpowiadające wartości dla „B” będą większe niż 50, a dla „C” - nie równe 900, stosując metody i idiomy Pand?

Pewnie! Ustawiać:

>>> import pandas as pd
>>> from random import randint
>>> df = pd.DataFrame({'A': [randint(1, 9) for x in range(10)],
                   'B': [randint(1, 9)*10 for x in range(10)],
                   'C': [randint(1, 9)*100 for x in range(10)]})
>>> df
   A   B    C
0  9  40  300
1  9  70  700
2  5  70  900
3  8  80  900
4  7  50  200
5  9  30  900
6  2  80  700
7  2  80  400
8  5  80  300
9  7  70  800

Możemy zastosować operacje na kolumnach i uzyskać obiekty z serii boolean:

>>> df["B"] > 50
0    False
1     True
2     True
3     True
4    False
5    False
6     True
7     True
8     True
9     True
Name: B
>>> (df["B"] > 50) & (df["C"] == 900)
0    False
1    False
2     True
3     True
4    False
5    False
6    False
7    False
8    False
9    False

[Aktualizacja, aby przejść do nowego stylu .loc]:

Następnie możemy użyć ich do zindeksowania obiektu. Aby uzyskać dostęp do odczytu, możesz połączyć łańcuchy indeksów:

>>> df["A"][(df["B"] > 50) & (df["C"] == 900)]
2    5
3    8
Name: A, dtype: int64

ale możesz wpaść w kłopoty z powodu różnicy między widokiem a kopią, która robi to w celu dostępu do zapisu. Zamiast tego możesz użyć .loc:

>>> df.loc[(df["B"] > 50) & (df["C"] == 900), "A"]
2    5
3    8
Name: A, dtype: int64
>>> df.loc[(df["B"] > 50) & (df["C"] == 900), "A"].values
array([5, 8], dtype=int64)
>>> df.loc[(df["B"] > 50) & (df["C"] == 900), "A"] *= 1000
>>> df
      A   B    C
0     9  40  300
1     9  70  700
2  5000  70  900
3  8000  80  900
4     7  50  200
5     9  30  900
6     2  80  700
7     2  80  400
8     5  80  300
9     7  70  800

Pamiętaj, że przypadkowo wpisałem == 900i nie != 900, lub ~(df["C"] == 900), ale jestem zbyt leniwy, aby to naprawić. Ćwiczenie dla czytelnika. : ^)

Innym rozwiązaniem jest użycie metody zapytania :

import pandas as pd

from random import randint
df = pd.DataFrame({'A': [randint(1, 9) for x in xrange(10)],
                   'B': [randint(1, 9) * 10 for x in xrange(10)],
                   'C': [randint(1, 9) * 100 for x in xrange(10)]})
print df

   A   B    C
0  7  20  300
1  7  80  700
2  4  90  100
3  4  30  900
4  7  80  200
5  7  60  800
6  3  80  900
7  9  40  100
8  6  40  100
9  3  10  600

print df.query('B > 50 and C != 900')

   A   B    C
1  7  80  700
2  4  90  100
4  7  80  200
5  7  60  800

Teraz, jeśli chcesz zmienić zwracane wartości w kolumnie A, możesz zapisać ich indeks:

my_query_index = df.query('B > 50 & C != 900').index

.... i użyj, .ilocaby je zmienić, tj .:

df.iloc[my_query_index, 0] = 5000

print df

      A   B    C
0     7  20  300
1  5000  80  700
2  5000  90  100
3     4  30  900
4  5000  80  200
5  5000  60  800
6     3  80  900
7     9  40  100
8     6  40  100
9     3  10  600

I pamiętaj, aby używać nawiasów!

Należy pamiętać, że &operator bierze pierwszeństwo nad operatorami takimi jak >lub <itd. Dlatego

4 < 5 & 6 > 4

ocenia na False. Dlatego jeśli używasz pd.loc, musisz umieścić nawiasy wokół instrukcji logicznych, w przeciwnym razie pojawi się błąd. Właśnie dlatego:

df.loc[(df['A'] > 10) & (df['B'] < 15)]

zamiast

df.loc[df['A'] > 10 & df['B'] < 15]

co spowodowałoby

TypeError: nie można porównać tablicy dtyped [float64] ze skalarem typu [bool]

Możesz użyć pand, ma kilka wbudowanych funkcji do porównania. Więc jeśli chcesz wybrać wartości „A”, które są spełnione przez warunki „B” i „C” (zakładając, że chcesz odzyskać obiekt pand DataFrame)

df[['A']][df.B.gt(50) & df.C.ne(900)]

df[['A']] zwróci Ci kolumnę A w formacie DataFrame.

funkcja „gt” pandy zwróci pozycje kolumny B większe niż 50, a „ne” zwróci pozycje nie równe 900.