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 colume_name = some_value

我试着查看pandas文档，但没有立即找到答案。

Answer 1

要选择列值等于标量some_value的行，请使用==：

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

要选择列值为可迭代的行some_values，请使用isin：

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

将多个条件与&：

结合使用

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

请注意括号。由于Python operator precedence rules，&的绑定比<=和>=更紧密。因此，最后一个例子中的括号是必要的。没有括号

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

被解析为

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

会产生Truth value of a Series 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，因此要在some_values中选择值 not 的行，请使用~取消布尔系列：

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

如果您想要包含多个值，请将它们放入列表（或更一般地，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

但请注意，如果您希望多次这样做，那么效率会更高首先制作索引，然后使用df.loc：

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

Answer 2

TL;博士

大熊猫相当于

select * from table where column_name = some_value

是

table[table.column_name == some_value]

多个条件：

table[(table.column_name == some_value) | (table.column_name2 == some_value2)]

或

table.query('column_name == some_value | column_name2 == some_value2')

代码示例

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

# Output only the row(s) in df where foo is 222:
df[df.foo == 222]

# Shows:
#    bar  foo
# 2  555  222

在上面的代码中，行df[df.foo == 222]根据列值{@ 1}}提供行。

也有多种条件：

但是在那时我建议使用query函数，因为它的详细程度较低并且产生相同的结果：

df[(df.foo == 222) | (df.bar == 444)]
#    bar  foo
# 1  444  111
# 2  555  222

Answer 3

从pandas数据框中选择行有几种基本方法。

布尔索引
位置索引
标签索引
API

对于每种基本类型，我们可以通过将自己限制在pandas API中来保持简单，或者我们可以在API之外冒险，通常是numpy，并加快速度。

我将向您展示每种示例，并指导您何时使用某些技术。

<强>设置
我们需要的第一件事是确定一个条件，作为我们选择行的标准。 OP提供column_name == some_value。我们将从那里开始并包含一些其他常见用例。

借用@unutbu：

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})

假设我们的标准是列'A' = 'foo'

<强> 1
布尔索引要求查找每行'A'列的真实值等于'foo'，然后使用这些真值来标识要保留的行。通常，我们将此系列命名为一系列真值mask。我们也会这样做。

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

然后我们可以使用此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，那么这应该是您选择的方法。但是，如果需要考虑性能，那么您可能需要考虑另一种创建mask的方法。

<强> 2
位置索引有其用例，但这不是其中之一。为了确定切片的位置，我们首先需要执行上面我们所做的相同的布尔分析。这使我们执行了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

第3
标签索引可以非常方便，但在这种情况下，我们再次做更多的工作，没有任何好处

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

<强> 4
pd.DataFrame.query 是执行此任务的非常优雅/直观的方式。但往往比较慢。但是，如果您注意以下时间，对于大数据，查询非常有效。比标准方法更重要，与我最好的建议相似。

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。
的方式来实现实际改进
mask替代方案1
使用基础numpy数组并放弃创建另一个pd.Series
的开销
mask = df['A'].values == 'foo'

我会在最后展示更完整的时间测试，但只是看看我们使用示例数据框获得的性能提升。首先，我们来看看创建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mask数组评估numpy的速度要快30倍。这部分是由于numpy评估通常更快。部分原因还在于缺乏构建索引和相应pd.Series对象所需的开销。

接下来，我们将查看使用一个mask与另一个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)进行切片的时间。

mask

性能提升并不明显。我们将看看这是否会阻碍更强大的测试。

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

而不是pd.DataFrame(df.values[mask], df.index[mask], df.columns).astype(df.dtypes)我们会这样做

df.values

如果数据框是混合类型，我们的示例是，那么当我们得到dtype时，结果数组是object dtype因此，新数据的所有列框架将为object astype(df.dtypes)。因此需要%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)并消除任何潜在的性能提升。

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

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

%%timeit mask = d1['A'].values == 7 d1[mask] 179 µs ± 8.73 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

%%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)

对战

mask

我们把时间缩短了一半。

pd.Series.isin替代3
@unutbu还向我们展示了如何使用df['A']来计算'foo'中每个元素的值。如果我们的值集是一个值的集合，即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，则计算结果相同。但如果需要，它还可以推广包括更大的值集。事实证明，尽管这是一个更通用的解决方案，但仍然相当快。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的。

numpy

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

1.0

<强>时序
我还要包括其他帖子中提到的其他概念以供参考 以下代码

此表中的每个列表示一个不同长度的数据框，我们在其上测试每个函数。每列显示相对时间，最快的函数给定基本索引为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。

mask_with_values

您会注意到mask_with_in1d和res.T.plot(loglog=True)之间似乎共享最快的时间

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]

功能

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)

测试

dtype

特殊时间
查看我们对整个数据框有一个非对象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的特殊情况。 以下代码

spec.T.plot(loglog=True)

事实证明，重建并不值得过几百行。

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 )

功能

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)

测试

{{1}}

Answer 4

我发现以前答案的语法是多余的，难以记住。熊猫在v0.13中引入了df.query('col == val')方法，我更喜欢它。对于您的问题，您可以执行In [167]: n = 10 In [168]: df = pd.DataFrame(np.random.rand(n, 3), columns=list('abc')) In [169]: df Out[169]: a b c 0 0.687704 0.582314 0.281645 1 0.250846 0.610021 0.420121 2 0.624328 0.401816 0.932146 3 0.011763 0.022921 0.244186 4 0.590198 0.325680 0.890392 5 0.598892 0.296424 0.007312 6 0.634625 0.803069 0.123872 7 0.924168 0.325076 0.303746 8 0.116822 0.364564 0.454607 9 0.986142 0.751953 0.561512 # pure python In [170]: df[(df.a < df.b) & (df.b < df.c)] Out[170]: a b c 3 0.011763 0.022921 0.244186 8 0.116822 0.364564 0.454607 # query In [171]: df.query('(a < b) & (b < c)') Out[171]: a b c 3 0.011763 0.022921 0.244186 8 0.116822 0.364564 0.454607

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

您还可以通过添加exclude = ('red', 'orange') df.query('color not in @exclude')。

来访问环境中的变量

{{1}}

Answer 5

使用numpy.where可以获得更快的结果。

例如，使用unubtu's setup -

In [76]: df.iloc[np.where(df.A.values=='foo')]
Out[76]: 
     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

时间比较：

In [68]: %timeit df.iloc[np.where(df.A.values=='foo')]  # fastest
1000 loops, best of 3: 380 µs per loop

In [69]: %timeit df.loc[df['A'] == 'foo']
1000 loops, best of 3: 745 µs per loop

In [71]: %timeit df.loc[df['A'].isin(['foo'])]
1000 loops, best of 3: 562 µs per loop

In [72]: %timeit df[df.A=='foo']
1000 loops, best of 3: 796 µs per loop

In [74]: %timeit df.query('(A=="foo")')  # slowest
1000 loops, best of 3: 1.71 ms per loop

Answer 6

这是一个简单的例子

from pandas import DataFrame

# Create data set
d = {'Revenue':[100,111,222], 
     'Cost':[333,444,555]}
df = DataFrame(d)


# mask = Return True when the value in column "Revenue" is equal to 111
mask = df['Revenue'] == 111

print mask

# Result:
# 0    False
# 1     True
# 2    False
# Name: Revenue, dtype: bool


# Select * FROM df WHERE Revenue = 111
df[mask]

# Result:
#    Cost    Revenue
# 1  444     111

Answer 7

将`.query`与`pandas >= 0.25.0`结合使用具有更大的灵活性：

2019年8月更新的答案

自pandas >= 0.25.0起，我们可以使用query方法来过滤带有pandas方法甚至带有空格的列名的数据框。通常，列名中的空格会产生错误，但是现在我们可以使用反引号（`）来解决该问题，请参见GitHub：

# Example dataframe
df = pd.DataFrame({'Sender email':['ex@example.com', "reply@shop.com", "buy@shop.com"]})

     Sender email
0  ex@example.com
1  reply@shop.com
2    buy@shop.com

将.query与方法str.endswith一起使用：

df.query('`Sender email`.str.endswith("@shop.com")')

输出

     Sender email
1  reply@shop.com
2    buy@shop.com

我们也可以在查询中以@作为前缀来使用局部变量：

domain = 'shop.com'
df.query('`Sender email`.str.endswith(@domain)')

输出

     Sender email
1  reply@shop.com
2    buy@shop.com

Answer 8

仅为pandas中的给定值选择多列中的特定列：

select col_name1, col_name2 from table where column_name = some_value.

选项：

df.loc[df['column_name'] == some_value][[col_name1, col_name2]]

或

df.query['column_name' == 'some_value'][[col_name1, col_name2]]

Answer 9

在较新版本的 Pandas 中，受文档 (Viewing data) 启发：

df[df["colume_name"] == some_value] #Scalar, True/False..

df[df["colume_name"] == "some_value"] #String

通过将子句放在括号 () 中并将它们与 & 和 |（和/或）组合来组合多个条件。像这样：

df[(df["colume_name"] == "some_value1") & (pd[pd["colume_name"] == "some_value2"])]

其他过滤器

pandas.notna(df["colume_name"]) == True # Not NaN
df['colume_name'].str.contains("text") # Search for "text"
df['colume_name'].str.lower().str.contains("text") # Search for "text", after converting  to lowercase

Answer 10

要附加到这个着名的问题（虽然有点太晚了）：您也可以df.groupby('column_name').get_group('column_desired_value').reset_index()创建具有特定值的指定列的新数据框。 E.g。

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()})
print("Original dataframe:")
print(df)

b_is_two_dataframe = pd.DataFrame(df.groupby('B').get_group('two').reset_index()).drop('index', axis = 1) 
#NOTE: the final drop is to remove the extra index column returned by groupby object
print('Sub dataframe where B is two:')
print(b_is_two_dataframe)

运行此命令：

Original dataframe:
     A      B
0  foo    one
1  bar    one
2  foo    two
3  bar  three
4  foo    two
5  bar    two
6  foo    one
7  foo  three
Sub dataframe where B is two:
     A    B
0  foo  two
1  foo  two
2  bar  two

Answer 11

您还可以使用.apply：

df.apply(lambda row: row[df['B'].isin(['one','three'])])

它实际上是逐行工作的（即，将函数应用于每一行）。

输出为

   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

结果与@unutbu提及的使用结果相同

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

根据pandas中列的值从DataFrame中选择行

11 个答案:

TL;博士

代码示例

将`.query`与`pandas >= 0.25.0`结合使用具有更大的灵活性：

根据pandas中列的值从DataFrame中选择行

11 个答案:

TL;博士

代码示例

将.query与pandas >= 0.25.0结合使用具有更大的灵活性：

将`.query`与`pandas >= 0.25.0`结合使用具有更大的灵活性：