pandy: filtruj wiersze DataFrame z łańcuchem operatorów

Większość operacji w pandasmoże być dokonany z operatorem łączenia ( groupby, aggregate, applyitp), ale jedynym sposobem mam stwierdzono rzędów filtrów odbywa się za pomocą zwykłego zamka indeksowania

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

Jest to nieprzyjemne, ponieważ wymaga przypisania dfdo zmiennej, zanim będę mógł filtrować jej wartości. Czy jest coś podobnego do tego?

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

Nie jestem do końca pewien, czego chcesz, a twój ostatni wiersz kodu też nie pomaga, ale w każdym razie:

Filtrowanie „łańcuchowe” odbywa się poprzez „łańcuchowanie” kryteriów indeksu boolowskiego.

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

Jeśli chcesz połączyć metody, możesz dodać własną metodę maski i użyć tej.

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

Filtry można połączyć w łańcuch za pomocą zapytania Pandas :

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

Filtry można również łączyć w jednym zapytaniu:

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

Odpowiedź od @lodagro jest świetna. Rozszerzyłbym to, uogólniając funkcję maski jako:

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

Następnie możesz robić takie rzeczy jak:

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

Od wersji 0.18.1.loc metoda akceptuje wywoływalnym do wyboru. Wraz z funkcjami lambda możesz stworzyć bardzo elastyczne filtry łańcuchowe:

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]

Jeśli wszystko, co robisz, to filtrowanie, możesz także pominąć .loc.

Oferuję to dla dodatkowych przykładów. To jest ta sama odpowiedź, co https://stackoverflow.com/a/28159296/

Dodam inne zmiany, aby ten post był bardziej przydatny.

pandas.DataFrame.query
queryzostał stworzony właśnie do tego celu. Rozważ ramkę danychdf

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

Użyjmy querydo filtrowania wszystkich wierszy gdzieD > 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

Które łączymy

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

Miałem to samo pytanie, z tym wyjątkiem, że chciałem połączyć kryteria w stan OR. Format podany przez Wouter Overmeire łączy kryteria w warunek AND, więc oba muszą być spełnione:

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

Ale odkryłem, że jeśli owiniesz każdy warunek (... == True)i połączysz kryteria za pomocą potoku, kryteria zostaną połączone w warunku LUB, spełniane zawsze, gdy jedno z nich jest prawdziwe:

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

panda zapewnia dwie alternatywy dla odpowiedzi Woutera Overmeire'a, które nie wymagają przesłonięcia. Jeden jest .loc[.]na żądanie, jak w

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

drugi jest .pipe(), jak w

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

Moja odpowiedź jest podobna do pozostałych. Jeśli nie chcesz tworzyć nowej funkcji, możesz użyć tego, co panda już dla ciebie zdefiniowała. Użyj metody potoku.

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

Jeśli chcesz zastosować wszystkie typowe maski boolowskie, a także maskę ogólnego przeznaczenia, możesz włożyć do pliku następujące elementy, a następnie po prostu przypisać je wszystkie w następujący sposób:

pd.DataFrame = apply_masks()

Stosowanie:

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

Jest to trochę zhackowane, ale może uczynić trochę bardziej czystym, jeśli ciągle siekasz i zmieniasz zestawy danych zgodnie z filtrami. Istnieje również filtr ogólnego przeznaczenia, dostosowany od Daniela Velkova powyżej w funkcji gen_mask, którego można używać z funkcjami lambda lub w razie potrzeby w inny sposób.

Plik do zapisania (używam masks.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

To rozwiązanie jest bardziej hackerskie pod względem implementacji, ale uważam, że jest o wiele czystsze pod względem użytkowania, a na pewno jest bardziej ogólne niż inne proponowane.

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

Nie musisz pobierać całego repo: zapisywanie pliku i robienie

from where import where as W

powinno wystarczyć. Następnie używasz go w następujący sposób:

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])

Nieco głupszy przykład użycia:

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

Nawiasem mówiąc: nawet w przypadku, gdy używasz tylko logicznej kolumny,

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

może być znacznie bardziej wydajny niż

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

ponieważ ocenia cond2tylko, gdzie cond1jest True.

ZASTRZEŻENIE: Najpierw udzieliłem tej odpowiedzi gdzie indziej, ponieważ jej nie widziałem.

Po prostu chcę dodać demonstrację używającą locdo filtrowania nie tylko wierszy, ale także kolumn i niektórych zalet operacji łańcuchowej.

Poniższy kod może filtrować wiersze według wartości.

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

Modyfikując go nieco, możesz również filtrować kolumny.

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

Dlaczego więc chcemy metody łańcuchowej? Odpowiedź jest prosta: jeśli masz wiele operacji, możesz je łatwo odczytać. Na przykład,

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

Jest to nieprzyjemne, ponieważ wymaga przypisania dfdo zmiennej, zanim będę mógł filtrować jej wartości.

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

wydaje się działać: możesz również zagnieżdżać []operatora. Może dodali to odkąd zadałeś pytanie.

Jeśli ustawisz wyszukiwanie kolumn jako indeksy, możesz użyć DataFrame.xs()przekroju. Nie jest to tak wszechstronne, jak queryodpowiedzi, ale może być przydatne w niektórych sytuacjach.

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

Możesz także wykorzystać bibliotekę numpy do operacji logicznych. Jest dość szybki.

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