python - pandas.DataFrameから複雑な基準で選択する

Question

たとえば、私は単純なDFを持っています：

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)]})

パンダのメソッドとイディオムを使用して、「A」から「B」の対応する値が50より大きく、「C」の値が900に等しくない値を選択できますか？

Answer 1

もちろん！設定：

>>> 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

列演算を適用してブールシリーズオブジェクトを取得できます。

>>> 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

[更新、新しいスタイルに切り替える.loc]：

そして、これらを使用してオブジェクトにインデックスを付けることができます。読み取りアクセスの場合、インデックスをチェーンできます。

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

ただし、書き込みアクセスのためにこれを行うビューとコピーの違いにより、問題が発生する可能性があります。代わりに使用できます.loc：

>>> 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

誤って入力したのに、、またはで== 900はないことに注意してください。しかし、私は怠惰すぎて修正できません。読者のための練習。：^）!= 900~(df["C"] == 900)

Answer 2

別の解決策は、クエリメソッドを使用することです。

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

ここで、列Aの戻り値を変更する場合は、それらのインデックスを保存できます。

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

....そして.ilocそれらを変更するために使用しますすなわち：

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

Answer 3

そして、括弧を使用することを忘れないでください！

演算子はやなど&の演算子よりも優先されることに注意してください。そのため><

4 < 5 & 6 > 4

に評価されFalseます。したがって、を使用している場合はpd.loc、論理ステートメントを角かっこで囲む必要があります。そうしないと、エラーが発生します。それが理由です：

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

それ以外の

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

その結果、

TypeError：dtyped[float64]配列をタイプ[bool]のスカラーと比較できません

Answer 4

比較のためにいくつかの関数が組み込まれているパンダを使用できます。したがって、「B」と「C」の条件が満たされる「A」の値を選択する場合（DataFrameパンダオブジェクトを戻したい場合）

df[['A']][df.B.gt(50) & df.C.ne(900)]

df[['A']]A列をDataFrame形式で返します。

pandasの「gt」関数は50より大きい列Bの位置を返し、「ne」は900に等しくない位置を返します。