如何根据列值从 DataFrame 中选择行？

Question

如何根据 Pandas 中某些列中的值从 DataFrame 中选择行？

在 SQL 中，我会使用：

 SELECT *
FROM table
WHERE column_name = some_value

原文由 szli 发布，翻译遵循 CC BY-SA 4.0 许可协议

Answer 1

要选择列值等于标量的行 some_value ，请使用 == ：

 df.loc[df['column_name'] == some_value]

要选择列值在可迭代 some_values 中的行，请使用 isin ：

 df.loc[df['column_name'].isin(some_values)]

将多个条件与 & 结合起来：

 df.loc[(df['column_name'] >= A) & (df['column_name'] <= B)]

注意括号。由于 Python 的 运算符优先规则， & 比 <= 和 >= --- 绑定得更紧密。因此，最后一个示例中的括号是必要的。没有括号

df['column_name'] >= A & df['column_name'] <= B

被解析为

df['column_name'] >= (A & df['column_name']) <= B

这导致 Series 的 Truth value is ambiguous error 。

---

要选择列值 不等于 some_value 的行，请使用 != ：

 df.loc[df['column_name'] != some_value]

isin 返回一个布尔系列，因此要选择值 不在 some_values 中的行，使用 ~ 否定布尔系列：

 df.loc[~df['column_name'].isin(some_values)]

---

例如，

 import pandas as pd
import numpy as np
df = pd.DataFrame({'A': 'foo bar foo bar foo bar foo foo'.split(),
                   'B': 'one one two three two two one three'.split(),
                   'C': np.arange(8), 'D': np.arange(8) * 2})
print(df)
#      A      B  C   D
# 0  foo    one  0   0
# 1  bar    one  1   2
# 2  foo    two  2   4
# 3  bar  three  3   6
# 4  foo    two  4   8
# 5  bar    two  5  10
# 6  foo    one  6  12
# 7  foo  three  7  14

print(df.loc[df['A'] == 'foo'])

产量

     A      B  C   D
0  foo    one  0   0
2  foo    two  2   4
4  foo    two  4   8
6  foo    one  6  12
7  foo  three  7  14

---

如果您要包含多个值，请将它们放在一个列表中（或更一般地说，任何可迭代的）并使用 isin ：

 print(df.loc[df['B'].isin(['one','three'])])

产量

     A      B  C   D
0  foo    one  0   0
1  bar    one  1   2
3  bar  three  3   6
6  foo    one  6  12
7  foo  three  7  14

---

但是请注意，如果您希望多次执行此操作，首先创建索引，然后使用 df.loc 会更有效：

 df = df.set_index(['B'])
print(df.loc['one'])

产量

       A  C   D
B
one  foo  0   0
one  bar  1   2
one  foo  6  12

或者，要包含索引中的多个值，请使用 df.index.isin ：

 df.loc[df.index.isin(['one','two'])]

产量

       A  C   D
B
one  foo  0   0
one  bar  1   2
two  foo  2   4
two  foo  4   8
two  bar  5  10
one  foo  6  12

原文由 unutbu 发布，翻译遵循 CC BY-SA 4.0 许可协议

Answer 2

有几种方法可以从 Pandas 数据框中选择行：

1. 布尔索引（ df[df['col'] == value ]）
2. 位置索引（ df.iloc[...] ）
3. 标签索引（ df.xs(...) ）
4. df.query(...) API

下面我将向您展示每种方法的示例，以及何时使用某些技术的建议。假设我们的标准是列 'A' == 'foo'

（关于性能的注意事项：对于每个基本类型，我们可以使用 Pandas API 使事情变得简单，或者我们可以在 API 之外冒险，通常是进入 NumPy，并加快速度。）

---

设置

我们需要做的第一件事是确定一个条件，它将作为我们选择行的标准。我们将从 OP 的案例 column_name == some_value 开始，并包括一些其他常见用例。

从@unutbu借用：

 import pandas as pd, numpy as np

df = pd.DataFrame({'A': 'foo bar foo bar foo bar foo foo'.split(),
                   'B': 'one one two three two two one three'.split(),
                   'C': np.arange(8), 'D': np.arange(8) * 2})

---

1. 布尔索引

…布尔索引需要找到每行的真值 'A' 列等于 'foo' ，然后使用这些真值来确定要保留的行。通常，我们将这个系列命名为真值数组 mask 。我们也会在这里这样做。

 mask = df['A'] == 'foo'

然后我们可以使用这个掩码对数据帧进行切片或索引

df[mask]

     A      B  C   D
0  foo    one  0   0
2  foo    two  2   4
4  foo    two  4   8
6  foo    one  6  12
7  foo  three  7  14

这是完成此任务的最简单方法之一，如果性能或直观性不是问题，这应该是您选择的方法。但是，如果性能是一个问题，那么您可能需要考虑另一种创建 mask 的方法。

---

2.位置索引

位置索引 ( df.iloc[...] ) 有它的用例，但这不是其中之一。为了确定切片的位置，我们首先需要执行与上面相同的布尔分析。这使我们需要执行一个额外的步骤来完成相同的任务。

 mask = df['A'] == 'foo'
pos = np.flatnonzero(mask)
df.iloc[pos]

     A      B  C   D
0  foo    one  0   0
2  foo    two  2   4
4  foo    two  4   8
6  foo    one  6  12
7  foo  three  7  14

3.标签索引

标签 索引可以非常方便，但在这种情况下，我们又做了更多没有好处的工作

df.set_index('A', append=True, drop=False).xs('foo', level=1)

     A      B  C   D
0  foo    one  0   0
2  foo    two  2   4
4  foo    two  4   8
6  foo    one  6  12
7  foo  three  7  14

4. df.query() API

pd.DataFrame.query 是执行此任务的一种非常优雅/直观的方式，但通常速度较慢。 但是，如果注意下面的时序，对于大数据，查询是非常高效的。比标准方法更重要，并且与我的最佳建议具有相似的规模。

 df.query('A == "foo"')

     A      B  C   D
0  foo    one  0   0
2  foo    two  2   4
4  foo    two  4   8
6  foo    one  6  12
7  foo  three  7  14

---

我的偏好是使用 Boolean mask

可以通过修改我们创建 Boolean mask 的方式来进行实际改进。

mask 替代方案 1 使用底层 NumPy 数组并放弃创建另一个数组的开销 pd.Series

 mask = df['A'].values == 'foo'

我将在最后展示更完整的时间测试，但只看一下我们使用示例数据框获得的性能提升。首先，我们看看创建 mask 的区别

%timeit mask = df['A'].values == 'foo'
%timeit mask = df['A'] == 'foo'

5.84 µs ± 195 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
166 µs ± 4.45 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

使用 NumPy 数组评估 mask 快约 30 倍。这部分是由于 NumPy 评估通常更快。部分原因还在于缺少构建索引和相应的 pd.Series 对象所需的开销。

接下来，我们将看看用一个 mask 与另一个进行切片的时间。

 mask = df['A'].values == 'foo'
%timeit df[mask]
mask = df['A'] == 'foo'
%timeit df[mask]

219 µs ± 12.3 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
239 µs ± 7.03 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

性能提升并不那么明显。我们将看看这是否可以通过更强大的测试。

---

mask 替代方案 2 我们也可以重建数据框。重建数据帧时有一个很大的警告——你必须注意 dtypes 这样做！

而不是 df[mask] 我们将这样做

pd.DataFrame(df.values[mask], df.index[mask], df.columns).astype(df.dtypes)

如果数据框是混合类型，我们的示例就是这样，那么当我们得到 df.values 得到的数组是 dtype object 的所有列新的数据框将是 dtype object 。因此需要 astype(df.dtypes) 并杀死任何潜在的性能提升。

 %timeit df[m]
%timeit pd.DataFrame(df.values[mask], df.index[mask], df.columns).astype(df.dtypes)

216 µs ± 10.4 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
1.43 ms ± 39.6 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

但是，如果数据框不是混合类型，这是一种非常有用的方法。

鉴于

np.random.seed([3,1415])
d1 = pd.DataFrame(np.random.randint(10, size=(10, 5)), columns=list('ABCDE'))

d1

   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

---

 %%timeit
mask = d1['A'].values == 7
d1[mask]

179 µs ± 8.73 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

相对

%%timeit
mask = d1['A'].values == 7
pd.DataFrame(d1.values[mask], d1.index[mask], d1.columns)

87 µs ± 5.12 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

我们把时间缩短了一半。

---

mask 备选方案 3

@unutbu 还向我们展示了如何使用 pd.Series.isin 来说明 df['A'] 的每个元素都在一组值中。如果我们的一组值是一组一个值，即 'foo' ，那么这会得出相同的结果。但如果需要，它也可以概括为包含更大的值集。事实证明，即使它是一个更通用的解决方案，它仍然非常快。对于那些不熟悉这个概念的人来说，唯一真正的损失是直观性。

 mask = df['A'].isin(['foo'])
df[mask]

     A      B  C   D
0  foo    one  0   0
2  foo    two  2   4
4  foo    two  4   8
6  foo    one  6  12
7  foo  three  7  14

然而，和以前一样，我们可以利用 NumPy 来提高性能，同时几乎不牺牲任何东西。我们将使用 np.in1d

 mask = np.in1d(df['A'].values, ['foo'])
df[mask]

     A      B  C   D
0  foo    one  0   0
2  foo    two  2   4
4  foo    two  4   8
6  foo    one  6  12
7  foo  three  7  14

---

定时

我将包括其他帖子中提到的其他概念，以供参考。

下面的代码

此表中的每一 列 代表一个不同长度的数据帧，我们在其上测试每个函数。每列显示所用的相对时间，最快的函数给定基本索引 1.0 。

 res.div(res.min())

                         10        30        100       300       1000      3000      10000     30000
mask_standard         2.156872  1.850663  2.034149  2.166312  2.164541  3.090372  2.981326  3.131151
mask_standard_loc     1.879035  1.782366  1.988823  2.338112  2.361391  3.036131  2.998112  2.990103
mask_with_values      1.010166  1.000000  1.005113  1.026363  1.028698  1.293741  1.007824  1.016919
mask_with_values_loc  1.196843  1.300228  1.000000  1.000000  1.038989  1.219233  1.037020  1.000000
query                 4.997304  4.765554  5.934096  4.500559  2.997924  2.397013  1.680447  1.398190
xs_label              4.124597  4.272363  5.596152  4.295331  4.676591  5.710680  6.032809  8.950255
mask_with_isin        1.674055  1.679935  1.847972  1.724183  1.345111  1.405231  1.253554  1.264760
mask_with_in1d        1.000000  1.083807  1.220493  1.101929  1.000000  1.000000  1.000000  1.144175

您会注意到最快的时间似乎在 mask_with_values 和 mask_with_in1d 之间共享。

 res.T.plot(loglog=True)

职能

def mask_standard(df):
    mask = df['A'] == 'foo'
    return df[mask]

def mask_standard_loc(df):
    mask = df['A'] == 'foo'
    return df.loc[mask]

def mask_with_values(df):
    mask = df['A'].values == 'foo'
    return df[mask]

def mask_with_values_loc(df):
    mask = df['A'].values == 'foo'
    return df.loc[mask]

def query(df):
    return df.query('A == "foo"')

def xs_label(df):
    return df.set_index('A', append=True, drop=False).xs('foo', level=-1)

def mask_with_isin(df):
    mask = df['A'].isin(['foo'])
    return df[mask]

def mask_with_in1d(df):
    mask = np.in1d(df['A'].values, ['foo'])
    return df[mask]

---

测试

res = pd.DataFrame(
    index=[
        'mask_standard', 'mask_standard_loc', 'mask_with_values', 'mask_with_values_loc',
        'query', 'xs_label', 'mask_with_isin', 'mask_with_in1d'
    ],
    columns=[10, 30, 100, 300, 1000, 3000, 10000, 30000],
    dtype=float
)

for j in res.columns:
    d = pd.concat([df] * j, ignore_index=True)
    for i in res.index:a
        stmt = '{}(d)'.format(i)
        setp = 'from __main__ import d, {}'.format(i)
        res.at[i, j] = timeit(stmt, setp, number=50)

---

特别时机

看看当我们有一个非对象 dtype 整个数据帧时的特殊情况。

下面的代码

spec.div(spec.min())

                     10        30        100       300       1000      3000      10000     30000
mask_with_values  1.009030  1.000000  1.194276  1.000000  1.236892  1.095343  1.000000  1.000000
mask_with_in1d    1.104638  1.094524  1.156930  1.072094  1.000000  1.000000  1.040043  1.027100
reconstruct       1.000000  1.142838  1.000000  1.355440  1.650270  2.222181  2.294913  3.406735

事实证明，重建超过几百行是不值得的。

 spec.T.plot(loglog=True)

职能

np.random.seed([3,1415])
d1 = pd.DataFrame(np.random.randint(10, size=(10, 5)), columns=list('ABCDE'))

def mask_with_values(df):
    mask = df['A'].values == 'foo'
    return df[mask]

def mask_with_in1d(df):
    mask = np.in1d(df['A'].values, ['foo'])
    return df[mask]

def reconstruct(df):
    v = df.values
    mask = np.in1d(df['A'].values, ['foo'])
    return pd.DataFrame(v[mask], df.index[mask], df.columns)

spec = pd.DataFrame(
    index=['mask_with_values', 'mask_with_in1d', 'reconstruct'],
    columns=[10, 30, 100, 300, 1000, 3000, 10000, 30000],
    dtype=float
)

测试

for j in spec.columns:
    d = pd.concat([df] * j, ignore_index=True)
    for i in spec.index:
        stmt = '{}(d)'.format(i)
        setp = 'from __main__ import d, {}'.format(i)
        spec.at[i, j] = timeit(stmt, setp, number=50)

原文由 piRSquared 发布，翻译遵循 CC BY-SA 4.0 许可协议