web-dev-qa-db-fra.com

Sélection avec des critères complexes de pandas.DataFrame

Par exemple j'ai simple DF:

import pandas as pd
from random import randint

df = pd.DataFrame({'A': [randint(1, 9) for x in xrange(10)],
                   'B': [randint(1, 9)*10 for x in xrange(10)],
                   'C': [randint(1, 9)*100 for x in xrange(10)]})

Puis-je sélectionner des valeurs de 'A' pour lesquelles les valeurs correspondantes pour 'B' seront supérieures à 50, et pour 'C' - pas égal à 900, en utilisant des méthodes et des idiomes de Pandas?

pythonpandas
157
Gill Bates

Sûr! Installer:

>>> import pandas as pd
>>> from random import randint
>>> df = pd.DataFrame({'A': [randint(1, 9) for x in range(10)],
                   'B': [randint(1, 9)*10 for x in range(10)],
                   'C': [randint(1, 9)*100 for x in range(10)]})
>>> df
   A   B    C
0  9  40  300
1  9  70  700
2  5  70  900
3  8  80  900
4  7  50  200
5  9  30  900
6  2  80  700
7  2  80  400
8  5  80  300
9  7  70  800

Nous pouvons appliquer des opérations de colonne et obtenir des objets boolean Series:

>>> df["B"] > 50
0    False
1     True
2     True
3     True
4    False
5    False
6     True
7     True
8     True
9     True
Name: B
>>> (df["B"] > 50) & (df["C"] == 900)
0    False
1    False
2     True
3     True
4    False
5    False
6    False
7    False
8    False
9    False

[Mise à jour, pour basculer vers le nouveau style .loc]:

Et ensuite, nous pouvons les utiliser pour indexer dans l'objet. Pour un accès en lecture, vous pouvez chaîner des index:

>>> df["A"][(df["B"] > 50) & (df["C"] == 900)]
2    5
3    8
Name: A, dtype: int64

mais vous pouvez avoir des ennuis à cause de la différence entre une vue et une copie faisant cela pour un accès en écriture. Vous pouvez utiliser .loc à la place:

>>> df.loc[(df["B"] > 50) & (df["C"] == 900), "A"]
2    5
3    8
Name: A, dtype: int64
>>> df.loc[(df["B"] > 50) & (df["C"] == 900), "A"].values
array([5, 8], dtype=int64)
>>> df.loc[(df["B"] > 50) & (df["C"] == 900), "A"] *= 1000
>>> df
      A   B    C
0     9  40  300
1     9  70  700
2  5000  70  900
3  8000  80  900
4     7  50  200
5     9  30  900
6     2  80  700
7     2  80  400
8     5  80  300
9     7  70  800

Notez que j’ai accidentellement tapé == 900 et non pas != 900, ni ~(df["C"] == 900), mais je suis trop paresseux pour le réparer. Exercice pour le lecteur. : ^)

276
DSM

Une autre solution consiste à utiliser la méthode query :

import pandas as pd

from random import randint
df = pd.DataFrame({'A': [randint(1, 9) for x in xrange(10)],
                   'B': [randint(1, 9) * 10 for x in xrange(10)],
                   'C': [randint(1, 9) * 100 for x in xrange(10)]})
print df

   A   B    C
0  7  20  300
1  7  80  700
2  4  90  100
3  4  30  900
4  7  80  200
5  7  60  800
6  3  80  900
7  9  40  100
8  6  40  100
9  3  10  600

print df.query('B > 50 and C != 900')

   A   B    C
1  7  80  700
2  4  90  100
4  7  80  200
5  7  60  800

Maintenant, si vous souhaitez modifier les valeurs renvoyées dans la colonne A, vous pouvez enregistrer leur index:

my_query_index = df.query('B > 50 & C != 900').index

.... et utilisez .iloc pour les changer, à savoir:

df.iloc[my_query_index, 0] = 5000

print df

      A   B    C
0     7  20  300
1  5000  80  700
2  5000  90  100
3     4  30  900
4  5000  80  200
5  5000  60  800
6     3  80  900
7     9  40  100
8     6  40  100
9     3  10  600
37
Nikos Tavoularis

Et rappelez-vous d'utiliser des parenthèses!

N'oubliez pas que l'opérateur & prime sur des opérateurs tels que > ou < etc. C'est pourquoi

4 < 5 & 6 > 4

évalue à False. Par conséquent, si vous utilisez pd.loc, vous devez placer des crochets autour de vos instructions logiques, sinon vous obtiendrez une erreur. C'est pourquoi faire:

df.loc[(df['A'] > 10) & (df['B'] < 15)]

au lieu de

df.loc[df['A'] > 10 & df['B'] < 15]

ce qui entraînerait

TypeError: impossible de comparer un tableau dtyped [float64] avec un scalaire de type [bool]

1
Tomasz Bartkowiak