考虑一个pandas DataFrame构造如下:
df = pandas.DataFrame({'a':['one','two','three']})
然后我可以找到包含two
的数据框的特定行,如:
df[df.a == 'two']
但到目前为止,我发现将DataFrame
子集到此行的唯一方法是:
df[:df[df.a == 'two'].index[0]]
但这很难看,所以:
是否有更合适的方法来完成此子集化?
具体来说,我感兴趣的是如何在行索引之间切片DataFrame,其中给定列匹配某些任意文本字符串(在本例中为' two')。对于这种特殊情况,它将等同于df[:2]
。但是,一般情况下,基于列值定位切片开始和/或结束的索引的能力似乎是合理的吗?
最后一个例子,也许会有所帮助;我希望能够做到这样的事情:
df[df.a == 'one' : df.a == 'three']
获取包含行1和1的切片2个DataFrame,相当于df [0:3]
答案 0 :(得分:1)
您希望识别特定开始和停止值的索引,并获取匹配的行以及其间的所有行。一种方法是找到索引并建立一个范围,但你已经说过你不喜欢这种方法。这是一个使用布尔逻辑的通用解决方案,应该适合你。
首先,让我们做一个更有趣的例子:
import pandas as pd
df = pd.DataFrame({'a':['one','two','three', 'four', 'five']})
假设start = "two"
和stop = "four"
。也就是说,您希望获得以下输出DataFrame:
a
1 two
2 three
3 four
我们可以通过以下方式找到边界行的索引:
df["a"].isin({start, stop})
#0 False
#1 True
#2 False
#3 True
#4 False
#Name: a, dtype: bool
如果索引2的值是True
,我们就可以完成,因为我们可以将此输出用作掩码。因此,让我们找到一种方法来创建我们需要的面具。
首先我们可以使用cummax()
和布尔XOR运算符(^
)来实现:
(df["a"]==start).cummax() ^ (df["a"]==stop).cummax()
#0 False
#1 True
#2 True
#3 False
#4 False
#Name: a, dtype: bool
这几乎是我们想要的,除了我们缺少停止值索引。所以,让我们按位OR(|
)停止条件:
#0 False
#1 True
#2 True
#3 True
#4 False
#Name: a, dtype: bool
这会得到我们正在寻找的结果。因此,创建一个掩码,并索引数据帧:
mask = (df["a"]==start).cummax() ^ (df["a"]==stop).cummax() | (df["a"]==stop)
print(df[mask])
# a
#1 two
#2 three
#3 four
我们可以将这些发现扩展到一个函数,该函数还支持从一行到最后一行索引或索引:
def get_rows(df, col, start, stop):
if start is None:
mask = ~((df[col] == stop).cummax() ^ (df[col] == stop))
else:
mask = (df[col]==start).cummax() ^ (df[col]==stop).cummax() | (df[col]==stop)
return df[mask]
# get rows between "two" and "four" inclusive
print(get_rows(df=df, col="a", start="two", stop="four"))
# a
#1 two
#2 three
#3 four
# get rows from "two" until the end
print(get_rows(df=df, col="a", start="two", stop=None))
# a
#1 two
#2 three
#3 four
#4 five
# get rows up to "two"
print(get_rows(df=df, col="a", start=None, stop="two"))
# a
#0 one
#1 two
更新:
为了完整性,这里是基于索引的解决方案。
def get_rows_indexing(df, col, start, stop):
min_ind = min(df.index[df[col]==start].tolist() or [0])
max_ind = max(df.index[df[col]==stop].tolist() or [len(df)])
return df[min_ind:max_ind+1]
此功能与其他版本的功能基本相同,但可能更容易理解。此外,这更加强大,因为另一个版本依赖于None
不是所需列中的值。
答案 1 :(得分:1)
如果您暂时将“ a”列用作索引,那么定位方法(loc)完全可以满足您的要求。
df = pd.DataFrame({'a':['one','two','three', 'four', 'five']})
start = 'two'
stop = 'four'
df = df.set_index('a').loc[start:stop].reset_index()