【跟着*学Pandas】Select rows from a DataFrame based on values in a column -pandas 筛选

最近做一个系列博客，跟着*学Pandas。
以 pandas作为关键词，在*中进行搜索，随后安照 votes 数目进行排序：
https://*.com/questions/tagged/pandas?sort=votes&pageSize=15

Select rows from a DataFrame based on values in a column -pandas 筛选

https://*.com/questions/17071871/select-rows-from-a-dataframe-based-on-values-in-a-column-in-pandas

pandas的筛选功能，跟excel的筛选功能类似，但是功能更强大。

在SQL数据中，我们可以用这样的语句：

select * from table where colume_name = some_value.

bool 索引

在Pandas的DataFrame格式中可以采用 bool 值作为索引，选取数据行。比如：

import pandas as pd

# Create data set
d = {'foo':[100, 111, 222], 
'bar':[333, 444, 555]}
df = pd.DataFrame(d)
# Full dataframe:
df
# Shows:
# bar foo 
# 0 333 100
# 1 444 111
# 2 555 222

# bool 值索引

df[[True, False, True]] # 或 df.loc[[True, False, True]] 
# 都可以得到

# bar foo
#0 333 100
#1 444 111

所以，如果想通过数值来对行进行筛选，我们可以通过构造bool值来选择DataFrame的行

df[df['column_name'] == some_value] 如果是数值型，也可以采用 >/<
df[df['column_name'].isin(some_values)] some_values 可以是单个变量，也可以是list 或者迭代器
组合多种条件

df[(df['column_name'] == some_value) & df['other_column'].isin(some_values)]

df[(df['column_name'] == some_value) | df['other_column'].isin(some_values)]
#注意，& | 的优先级很高，所以每个条件都需要一个括号

不等于，可以使用

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

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

np.where

与上面所述的方法有所不同， np.where 返回的是行的位置，所以在获取行时不能采用df，要采用df.loc 或者 df.iloc

np.where(df.A.values=='foo')
# (array([0, 2, 4, 6, 7]),)
df.iloc[np.where(df.A.values=='foo')]

query

DataFrame 提供了query函数，方便我们可以采用表达式来进行数据的筛选。

参考：
http://pandas.pydata.org/pandas-docs/version/0.17.0/indexing.html#indexing-query

n = 10
df = pd.DataFrame(np.random.randint(n, size=(n, 2)), columns=list('bc'))

# b c
# 0 9 0
# 1 1 2
# 2 2 4
# 3 7 6
# 4 6 4
# 5 4 7
# 6 2 9
# 7 4 8
# 8 6 2
# 9 9 0

df.query('index > b > c')
# b c
# 8 6 2

#可以采用的表达式很多,比如
df.query('(a < b) & (b < c)')
df.query('a < b and b < c')
df.query('color == "red"')

时间测评

import pandas as pd
df = pd.DataFrame({'A': 'foo bar foo bar foo bar foo foo'.split(),
'B': 'one one two three two two one three'.split()})
df.iloc[np.where(df.A.values=='foo')]


%timeit df.iloc[np.where(df.A.values=='foo')]
#1000 loops, best of 3: 274 µs per loop

%timeit df.loc[np.where(df.A.values=='foo')]
#1000 loops, best of 3: 342 µs per loop

%timeit df.loc[df['A'] == 'foo']
#1000 loops, best of 3: 347 µs per loop

%timeit df[df['A'] == 'foo']
#1000 loops, best of 3: 354 µs per loop

%timeit df.loc[df['A'].isin(['foo'])]
#1000 loops, best of 3: 265 µs per loop

%timeit df[df.A=='foo']
#1000 loops, best of 3: 357 µs per loop

%timeit df.query('(A=="foo")')
#1000 loops, best of 3: 943 µs per loop

可以发现采用 df.iloc[np.where(df.A.values=='foo')]和 df.loc[df['A'].isin(['foo'])] 速度比较快，而采用query的方法比较慢。

df.loc[df['A'] == 'foo'] 速度快于 df[df['A'] == 'foo']

秒客网