csvファイルdfを使用して構築されたパンダのデータフレームがあります。pandas.read_tableデータフレームには複数の列があり、列の1つによってインデックスが作成されます（各行には、インデックス作成に使用されるその列の一意の値があるという点で一意です）。
複数の列に適用される「複雑な」フィルターに基づいてデータフレームの行を選択するにはどうすればよいですか？colAたとえば、列が10より大きいデータフレームのスライスを簡単に選択できます。
df_greater_than10 = df[df["colA"] > 10]
しかし、次のようなフィルターが必要な場合はどうなりますか：列のいずれかdfが10より大きいスライスを選択しますか？
または、の値colAが10より大きいが、の値がcolB5未満の場合はどうでしょうか。
これらはパンダでどのように実装されていますか？ありがとう。
メーリングリストでこれらの質問をすることをお勧めしますが、いずれにせよ、基盤となるNumPyアレイを操作することはまだ非常に低レベルの問題です。たとえば、この例では、任意の列の値が1.5を超える行を選択するには、次のようにします。
In [11]: df
Out[11]:
A B C D
2000-01-03 -0.59885 -0.18141 -0.68828 -0.77572
2000-01-04 0.83935 0.15993 0.95911 -1.12959
2000-01-05 2.80215 -0.10858 -1.62114 -0.20170
2000-01-06 0.71670 -0.26707 1.36029 1.74254
2000-01-07 -0.45749 0.22750 0.46291 -0.58431
2000-01-10 -0.78702 0.44006 -0.36881 -0.13884
2000-01-11 0.79577 -0.09198 0.14119 0.02668
2000-01-12 -0.32297 0.62332 1.93595 0.78024
2000-01-13 1.74683 -1.57738 -0.02134 0.11596
2000-01-14 -0.55613 0.92145 -0.22832 1.56631
2000-01-17 -0.55233 -0.28859 -1.18190 -0.80723
2000-01-18 0.73274 0.24387 0.88146 -0.94490
2000-01-19 0.56644 -0.49321 1.17584 -0.17585
2000-01-20 1.56441 0.62331 -0.26904 0.11952
2000-01-21 0.61834 0.17463 -1.62439 0.99103
2000-01-24 0.86378 -0.68111 -0.15788 -0.16670
2000-01-25 -1.12230 -0.16128 1.20401 1.08945
2000-01-26 -0.63115 0.76077 -0.92795 -2.17118
2000-01-27 1.37620 -1.10618 -0.37411 0.73780
2000-01-28 -1.40276 1.98372 1.47096 -1.38043
2000-01-31 0.54769 0.44100 -0.52775 0.84497
2000-02-01 0.12443 0.32880 -0.71361 1.31778
2000-02-02 -0.28986 -0.63931 0.88333 -2.58943
2000-02-03 0.54408 1.17928 -0.26795 -0.51681
2000-02-04 -0.07068 -1.29168 -0.59877 -1.45639
2000-02-07 -0.65483 -0.29584 -0.02722 0.31270
2000-02-08 -0.18529 -0.18701 -0.59132 -1.15239
2000-02-09 -2.28496 0.36352 1.11596 0.02293
2000-02-10 0.51054 0.97249 1.74501 0.20525
2000-02-11 0.10100 0.27722 0.65843 1.73591
In [12]: df[(df.values > 1.5).any(1)]
Out[12]:
A B C D
2000-01-05 2.8021 -0.1086 -1.62114 -0.2017
2000-01-06 0.7167 -0.2671 1.36029 1.7425
2000-01-12 -0.3230 0.6233 1.93595 0.7802
2000-01-13 1.7468 -1.5774 -0.02134 0.1160
2000-01-14 -0.5561 0.9215 -0.22832 1.5663
2000-01-20 1.5644 0.6233 -0.26904 0.1195
2000-01-28 -1.4028 1.9837 1.47096 -1.3804
2000-02-10 0.5105 0.9725 1.74501 0.2052
2000-02-11 0.1010 0.2772 0.65843 1.7359
&または|（および括弧！）を使用して、複数の条件を組み合わせる必要があります。
In [13]: df[(df['A'] > 1) | (df['B'] < -1)]
Out[13]:
A B C D
2000-01-05 2.80215 -0.1086 -1.62114 -0.2017
2000-01-13 1.74683 -1.5774 -0.02134 0.1160
2000-01-20 1.56441 0.6233 -0.26904 0.1195
2000-01-27 1.37620 -1.1062 -0.37411 0.7378
2000-02-04 -0.07068 -1.2917 -0.59877 -1.4564
このようなことを簡単にするために、ある種のクエリAPIが必要です。
完全なクエリAPIを取得するまで、Pandasでこれの構文を短縮するための少なくともいくつかのアプローチがあります（おそらく、私はgithubプロジェクトに参加しようとしますが、これは時間の許す限りであり、他に誰もいない場合は開始）。
構文を少し短くする1つの方法を以下に示します。
inds = df.apply(lambda x: x["A"]>10 and x["B"]<5, axis=1)
print df[inds].to_string()
これを完全に解決するには、SQLselectやwhere句などをPandasに組み込む必要があります。これは決して些細なことではありませんが、これでうまくいくと思う1つの方法は、Pythonoperator組み込みモジュールを使用することです。これにより、greater-thanをシンボルではなく関数として扱うことができます。したがって、次のことができます。
def pandas_select(dataframe, select_dict):
inds = dataframe.apply(lambda x: reduce(lambda v1,v2: v1 and v2,
[elem[0](x[key], elem[1])
for key,elem in select_dict.iteritems()]), axis=1)
return dataframe[inds]
次に、あなたのようなテスト例は次のようになります。
import operator
select_dict = {
"A":(operator.gt,10),
"B":(operator.lt,5)
}
print pandas_select(df, select_dict).to_string()
pandas_selectさまざまな一般的な論理演算子を自動的に処理するための引数を増やすか、名前空間に短い名前でインポートすることで、構文をさらに短縮できます。
pandas_select上記の関数は、論理積と制約のチェーンでのみ機能することに注意してください。異なる論理動作を得るには、それを変更する必要があります。またはnot、ド・モルガンの法則を使用します。
この質問が出されて答えられて以来、クエリ機能がパンダに追加されました。以下に例を示します。
このサンプルデータフレームを考えると：
periods = 8
dates = pd.date_range('20170101', periods=periods)
rand_df = pd.DataFrame(np.random.randn(periods,4), index=dates,
columns=list('ABCD'))
次のクエリ構文を使用すると、selectステートメントの「WHERE」句のように複数のフィルタを使用できます。
rand_df.query("A < 0 or B < 0")
詳細については、Pandasのドキュメントを参照してください。