Usuwanie wiersza DataFrame w Pandach na podstawie wartości kolumny

507

Mam następujące DataFrame:

             daysago  line_race rating        rw    wrating
 line_date                                                 
 2007-03-31       62         11     56  1.000000  56.000000
 2007-03-10       83         11     67  1.000000  67.000000
 2007-02-10      111          9     66  1.000000  66.000000
 2007-01-13      139         10     83  0.880678  73.096278
 2006-12-23      160         10     88  0.793033  69.786942
 2006-11-09      204          9     52  0.636655  33.106077
 2006-10-22      222          8     66  0.581946  38.408408
 2006-09-29      245          9     70  0.518825  36.317752
 2006-09-16      258         11     68  0.486226  33.063381
 2006-08-30      275          8     72  0.446667  32.160051
 2006-02-11      475          5     65  0.164591  10.698423
 2006-01-13      504          0     70  0.142409   9.968634
 2006-01-02      515          0     64  0.134800   8.627219
 2005-12-06      542          0     70  0.117803   8.246238
 2005-11-29      549          0     70  0.113758   7.963072
 2005-11-22      556          0     -1  0.109852  -0.109852
 2005-11-01      577          0     -1  0.098919  -0.098919
 2005-10-20      589          0     -1  0.093168  -0.093168
 2005-09-27      612          0     -1  0.083063  -0.083063
 2005-09-07      632          0     -1  0.075171  -0.075171
 2005-06-12      719          0     69  0.048690   3.359623
 2005-05-29      733          0     -1  0.045404  -0.045404
 2005-05-02      760          0     -1  0.039679  -0.039679
 2005-04-02      790          0     -1  0.034160  -0.034160
 2005-03-13      810          0     -1  0.030915  -0.030915
 2004-11-09      934          0     -1  0.016647  -0.016647

Muszę usunąć wiersze, w których line_racejest równa 0. Jaki jest najbardziej efektywny sposób to zrobić?

TravisVOX
źródło

Odpowiedzi:

875

Jeśli dobrze rozumiem, powinno to być tak proste, jak:

df = df[df.line_race != 0]
tshauck
źródło
16
Czy będzie to kosztować więcej pamięci, jeśli dfjest duża? Czy mogę to zrobić na miejscu?
ziyuang
10
Po prostu uruchomiłem go dfz rzędami 2M i poszło dość szybko.
Dror,
46
@vfxGer, jeśli w kolumnie jest spacja, np. „wyścig liniowy”, możesz to zrobićdf = df[df['line race'] != 0]
Paul
3
Jak zmodyfikowalibyśmy to polecenie, gdybyśmy chcieli usunąć cały wiersz, jeśli dana wartość znajduje się w którejkolwiek z kolumn tego wiersza?
Alex
3
Dzięki! Fwiw, dla mnie to musiało byćdf=df[~df['DATE'].isin(['2015-10-30.1', '2015-11-30.1', '2015-12-31.1'])]
citynorman
181

Ale w przypadku przyszłych pomijaczy możesz wspomnieć, że df = df[df.line_race != 0]nic nie robi, gdy próbujesz odfiltrować None/ brakujące wartości.

Działa:

df = df[df.line_race != 0]

Nic nie robi:

df = df[df.line_race != None]

Działa:

df = df[df.line_race.notnull()]
wonderkid2
źródło
4
jak to zrobić, jeśli nie znamy nazwy kolumny?
Piyush S. Wanare
Może df = df[df.columns[2].notnull()], ale w taki czy inny sposób musisz być w stanie jakoś zindeksować kolumnę.
erekalper
1
df = df[df.line_race != 0]upuszcza wiersze, ale także nie resetuje indeksu. Więc kiedy dodasz kolejny wiersz w pliku df, może on nie zostać dodany na końcu. Polecam zresetować indeks po tej operacji ( df = df.reset_index(drop=True))
the_new_james
==Aby rozpocząć, nigdy nie należy porównywać z operatorem Brak . stackoverflow.com/questions/3257919/…
Bram Vanroy
40

Najlepszym sposobem na to jest maskowanie logiczne:

In [56]: df
Out[56]:
     line_date  daysago  line_race  rating    raw  wrating
0   2007-03-31       62         11      56  1.000   56.000
1   2007-03-10       83         11      67  1.000   67.000
2   2007-02-10      111          9      66  1.000   66.000
3   2007-01-13      139         10      83  0.881   73.096
4   2006-12-23      160         10      88  0.793   69.787
5   2006-11-09      204          9      52  0.637   33.106
6   2006-10-22      222          8      66  0.582   38.408
7   2006-09-29      245          9      70  0.519   36.318
8   2006-09-16      258         11      68  0.486   33.063
9   2006-08-30      275          8      72  0.447   32.160
10  2006-02-11      475          5      65  0.165   10.698
11  2006-01-13      504          0      70  0.142    9.969
12  2006-01-02      515          0      64  0.135    8.627
13  2005-12-06      542          0      70  0.118    8.246
14  2005-11-29      549          0      70  0.114    7.963
15  2005-11-22      556          0      -1  0.110   -0.110
16  2005-11-01      577          0      -1  0.099   -0.099
17  2005-10-20      589          0      -1  0.093   -0.093
18  2005-09-27      612          0      -1  0.083   -0.083
19  2005-09-07      632          0      -1  0.075   -0.075
20  2005-06-12      719          0      69  0.049    3.360
21  2005-05-29      733          0      -1  0.045   -0.045
22  2005-05-02      760          0      -1  0.040   -0.040
23  2005-04-02      790          0      -1  0.034   -0.034
24  2005-03-13      810          0      -1  0.031   -0.031
25  2004-11-09      934          0      -1  0.017   -0.017

In [57]: df[df.line_race != 0]
Out[57]:
     line_date  daysago  line_race  rating    raw  wrating
0   2007-03-31       62         11      56  1.000   56.000
1   2007-03-10       83         11      67  1.000   67.000
2   2007-02-10      111          9      66  1.000   66.000
3   2007-01-13      139         10      83  0.881   73.096
4   2006-12-23      160         10      88  0.793   69.787
5   2006-11-09      204          9      52  0.637   33.106
6   2006-10-22      222          8      66  0.582   38.408
7   2006-09-29      245          9      70  0.519   36.318
8   2006-09-16      258         11      68  0.486   33.063
9   2006-08-30      275          8      72  0.447   32.160
10  2006-02-11      475          5      65  0.165   10.698

AKTUALIZACJA: Teraz, gdy pandy 0.13 są już dostępne, innym sposobem na to jest df.query('line_race != 0').

Phillip Cloud
źródło
df.query wygląda bardzo przydatnie! Dzięki! pandas.pydata.org/pandas-docs/version/0.13.1/generated/…
fantastyczny
14
Dobra aktualizacja dla query. Pozwala na bardziej szczegółowe kryteria wyboru (np. Operacje podobne do zestawu, takie jak df.query('variable in var_list')gdzie „zmienna_lista” jest listą pożądanych wartości)
philE
1
jak można to osiągnąć, jeśli nazwa kolumny ma spację w nazwie?
iNoob,
2
querynie jest bardzo przydatne, jeśli nazwa kolumny zawiera spację.
Phillip Cloud,
3
Unikałbym spacji w nagłówkach z czymś takimdf = df.rename(columns=lambda x: x.strip().replace(' ','_'))
Scientist1642,
39

aby dodać kolejne rozwiązanie, szczególnie przydatne, jeśli korzystasz z nowych oceniających pand, inne rozwiązania zastąpią oryginalne pandy i utracą osoby oceniające

df.drop(df.loc[df['line_race']==0].index, inplace=True)
desmond
źródło
1
jaki jest cel pisania indeksu i inplace. Czy ktoś może wyjaśnić, proszę?
heman123
2
Przeczytaj dokumenty!
Federico Corazza,
Myślę, że musielibyśmy .reset_index()również to zrobić, jeśli ktoś ostatecznie
użyje
15

Jeśli chcesz usunąć wiersze na podstawie wielu wartości kolumny, możesz użyć:

df[(df.line_race != 0) & (df.line_race != 10)]

Aby usunąć wszystkie wiersze o wartościach 0 i 10 dla line_race.

Robvh
źródło
14

Podana odpowiedź jest jednak poprawna, ponieważ ktoś powyżej powiedział, że możesz jej użyć, df.query('line_race != 0')co w zależności od twojego problemu jest znacznie szybsze. Wysoce zalecane.

h3h325
źródło
Jest to szczególnie przydatne, jeśli masz długie DataFramenazwy zmiennych, takie jak ja (i zgaduję, że wszyscy w porównaniu do dfprzykładów), ponieważ musisz napisać tylko raz.
ijoseph
9

Chociaż poprzednie odpowiedzi są prawie podobne do tego, co zamierzam zrobić, ale użycie metody index nie wymaga użycia innej metody indeksowania .loc (). Można to zrobić w podobny, ale precyzyjny sposób jak

df.drop(df.index[df['line_race'] == 0], inplace = True)
Loochie
źródło
1
Rozwiązanie na miejscu lepsze dla dużych zbiorów danych lub pamięci o ograniczonej pamięci. +1
davmor
3

Kolejny sposób to zrobić. Może nie być najbardziej wydajnym sposobem, ponieważ kod wygląda na nieco bardziej skomplikowany niż kod wymieniony w innych odpowiedziach, ale może być alternatywnym sposobem robienia tego samego.

  df = df.drop(df[df['line_race']==0].index)
Amruth Lakkavaram
źródło
0

Po prostu dodanie innego sposobu dla DataFrame rozwiniętego we wszystkich kolumnach:

for column in df.columns:
   df = df[df[column]!=0]

Przykład:

def z_score(data,count):
   threshold=3
   for column in data.columns:
       mean = np.mean(data[column])
       std = np.std(data[column])
       for i in data[column]:
           zscore = (i-mean)/std
           if(np.abs(zscore)>threshold):
               count=count+1
               data = data[data[column]!=i]
   return data,count
Prateek Kumar Singh
źródło