Question

我正在从R过渡到Python。我刚刚开始使用熊猫。我有一个R代码很好地子集：

k1 <- subset(data, Product = p.id & Month < mn & Year == yr, select = c(Time, Product))

现在，我想在Python中做类似的事情。这是我到目前为止所得到的：

import pandas as pd
data = pd.read_csv("../data/monthly_prod_sales.csv")


#first, index the dataset by Product. And, get all that matches a given 'p.id' and time.
 data.set_index('Product')
 k = data.ix[[p.id, 'Time']]

# then, index this subset with Time and do more subsetting..

我开始觉得我这样做是错误的。或许，有一个优雅的解决方案。有人可以帮忙吗？我需要从我的时间戳中提取月份和年份并进行子集化。也许有一个单行班将完成所有这些：

k1 <- subset(data, Product = p.id & Time >= start_time & Time < end_time, select = c(Time, Product))

感谢。

Answer 1

我假设Time和Product是DataFrame中的列，df是DataFrame的实例，其他变量是标量值：

目前，您必须引用DataFrame实例：

k1 = df.loc[(df.Product == p_id) & (df.Time >= start_time) & (df.Time < end_time), ['Time', 'Product']]

由于&运算符与比较运算符的优先级，括号也是必需的。 &运算符实际上是一个重载的按位运算符，它具有与算术运算符相同的优先级，而算术运算符的优先级高于比较运算符。

在pandas 0.13中，可以使用新的实验DataFrame.query()方法。它与模select参数的子集非常相似：

使用query()你可以这样做：

df[['Time', 'Product']].query('Product == p_id and Month < mn and Year == yr')

这是一个简单的例子：

In [9]: df = DataFrame({'gender': np.random.choice(['m', 'f'], size=10), 'price': poisson(100, size=10)})

In [10]: df
Out[10]:
  gender  price
0      m     89
1      f    123
2      f    100
3      m    104
4      m     98
5      m    103
6      f    100
7      f    109
8      f     95
9      m     87

In [11]: df.query('gender == "m" and price < 100')
Out[11]:
  gender  price
0      m     89
4      m     98
9      m     87

您感兴趣的最终查询甚至可以利用链式比较，如下所示：

k1 = df[['Time', 'Product']].query('Product == p_id and start_time <= Time < end_time')

Answer 2

仅针对寻找更类似于R的解决方案的人：

df[(df.Product == p_id) & (df.Time> start_time) & (df.Time < end_time)][['Time','Product']]

不需要data.loc或query，但我认为它有点长。

Answer 3

我发现您可以通过将其包装在[]中来使用给定列的任何子集条件。例如，您有一个带有列的df [＆＃39;产品＆＃39;，＆＃39;时间＆＃39;＆＃39;年＆＃39;＆＃39;颜色＆＃39;]

让我们说你想要包括2014年之前制作的产品。你可以写，

df[df['Year'] < 2014]

返回这种情况下的所有行。您可以添加不同的条件。

df[df['Year'] < 2014][df['Color' == 'Red']

然后根据上面的指示选择您想要的列。例如，上面df的产品颜色和键，

df[df['Year'] < 2014][df['Color' == 'Red'][['Product','Color']]

Answer 4

我正在从R过渡到Python

k1 <- subset(data, Product = p.id & Month < mn & Year == yr, select = c(Time, Product))

关于先前答案中提到的一些要点，并提高了可读性：

不需要data.loc或查询，但我确实认为它有点长。

由于＆运算符与比较运算符之间的优先级，因此括号也是必需的。

我喜欢这样写这样的表达式-括号更少，键入更快，更易于阅读。也更接近R。

q_product = df.Product == p_id
q_start = df.Time > start_time
q_end = df.Time < end_time

df.loc[q_product & q_start & q_end, c('Time,Product')]

# c is just a convenience
c = lambda v: v.split(',')

Answer 5

创建一个具有已知列名的空数据框：

Names = ['Col1','ActivityID','TransactionID']
df = pd.DataFrame(columns = Names)

通过 csv 创建数据框：

df = pd.DataFrame('...../file_name.csv')

创建动态过滤器以对dtaframe进行子集化：

i = 12
df[df['ActivitiID'] <= i]

创建动态过滤器以对dtaframe所需列进行子集

df[df['ActivityID'] == i][['TransactionID','ActivityID']]

子集化Python DataFrame

5 个答案: