Pandas 数据处理(二) - 筛选数据
使用demo.csv举几个栗子~
1
2
3
4
5
6编号,日期,单价,数量
T001,2018-03-02 12:34:05,100,3
T002,2018-03-02 13:04:05,200,3
T003,2018-03-03 18:12:31,30,10
T004,2018-03-04 20:34:05,400,2
T005,2018-03-02 20:34:05,500,1
1
2
3
4
5
6
7
8
9
10
11
12import pandas as pd
df = pd.read_csv('demo.csv', index_col='编号') # 指定行标签 label
"""
日期 单价
编号
T001 2018-03-02 12:34:05 100
T002 2018-03-02 13:04:05 200
T003 2018-03-03 18:12:31 30
T004 2018-03-04 20:34:05 400
T005 2018-03-02 20:34:05 500
"""
如果不指定 index_col,则会默认生成 0 - 5的行标签,这种情况下,行标签与行号相等。
行标签可以理解为这一行的区别于其他行的标志(类似SQL中的主键)
1
2
3
4
5
6
7
8
9df_without_index_col = pd.read_csv('demo.csv')
"""
编号 日期 单价 数量
0 T001 2018-03-02 12:34:05 100 3
1 T002 2018-03-02 13:04:05 200 3
2 T003 2018-03-03 18:12:31 30 10
3 T004 2018-03-04 20:34:05 400 2
4 T005 2018-03-02 20:34:05 500 1
"""
一、选取列
1. 使用方括号1
2
3
4
5
6
7
8
9
10df[['日期', '单价']]
"""
日期 单价
编号
T001 2018-03-02 12:34:05 100
T002 2018-03-02 13:04:05 200
T003 2018-03-03 18:12:31 30
T004 2018-03-04 20:34:05 400
T005 2018-03-02 20:34:05 500
"""
1
2
3
4
5
6
7
8
9
10
11df[['单价']] # -> DataFrame
"""
单价
编号
T001 100
T002 200
T003 30
T004 400
T005 500
"""
type(df[['单价']]) #
1
2
3
4
5
6
7
8
9
10
11df['单价'] # -> Series
"""
编号
T001 100
T002 200
T003 30
T004 400
T005 500
Name: 单价, dtype: int64
"""
type(df['单价']) #
二、选取行
1. 行标签使用loc
可接受2个参数,第一个参数是行标签,第二个参数是列标签
行标签为T002的行
1
2
3
4
5
6
7df.loc['T002'] # -> Series
"""
日期 2018-03-02 12:34:05
单价 100
数量 3
Name: T001, dtype: object
"""
行标签从T002到 T004的行(与切片不同,这种情况下包含开头也包含结束)
1
2
3
4
5
6
7
8df.loc['T002':'T004'] # -> DataFrame
"""
日期 单价 数量
编号
T002 2018-03-02 13:04:05 200 3
T003 2018-03-03 18:12:31 30 10
T004 2018-03-04 20:34:05 400 2
"""
行标签从T002到最后的行,且只选取单价和数量2列
1
2
3
4
5
6
7
8
9
10df.loc['T002':, ['单价', '数量']] # -> DataFrame
# 等价于 df.loc['T002':][['单价', '数量']]
"""
单价 数量
编号
T002 200 3
T003 30 10
T004 400 2
T005 500 1
"""
2. 行号使用iloc第1行到倒数第2行
iloc参数是一个slice对象,和python中可迭代对象用法是一致的。[start, end, step)。
下标从0开始,包含开头,不包含结束。
1
2
3
4
5
6
7df.iloc[1:-2] # -> DataFrame,不包含 -2 行
"""
日期 单价 数量
编号
T002 2018-03-02 13:04:05 200 3
T003 2018-03-03 18:12:31 30 10
"""
第1行到最后,隔行取,即行号为单数的行,1,3,5,7,9….
1
2
3
4
5
6
7
8df.iloc[1::2] # -> DataFrame,到最后,切片的第二个参数可省略不写
"""
日期 单价 数量
编号
T002 2018-03-02 13:04:05 200 3
T004 2018-03-04 20:34:05 400 2
"""
第0行到第3行,第1列到第3列
1
2
3
4
5
6
7
8df.iloc[:3, 1:3] # -> DataFrame, 等价于 df.iloc[0:3, 1:3],0可以省略不写
"""
单价 数量
编号
T001 100 3
T002 200 3
T003 30 10
"""
若没有指定标签列(index_col),则loc与iloc表现相近
1
2
3
4
5
6
7
8
9
10
11
12
13df_without_index_col.loc[1:3] # 行标签从1到3的行,行标签是包含结束的。
"""
编号 日期 单价 数量
1 T002 2018-03-02 13:04:05 200 3
2 T003 2018-03-03 18:12:31 30 10
3 T004 2018-03-04 20:34:05 400 2
"""
df_without_index_col.iloc[1:3] # 切片是不包含结束的。
"""
编号 日期 单价 数量
1 T002 2018-03-02 13:04:05 200 3
2 T003 2018-03-03 18:12:31 30 10
"""
3. ix兼容处理loc与iloc(deprecated)
loc是根据行标签定位的,iloc是根据行号定位的。
ix的处理逻辑是,通常将传入的参数优先视为行标签,若找不到该标签的情况下,再当做行号取索引。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22df.ix['T002':'T004'] # 匹配到了行标签,所以和loc表现一致
"""
日期 单价 数量
编号
T002 2018-03-02 13:04:05 200 3
T003 2018-03-03 18:12:31 30 10
T004 2018-03-04 20:34:05 400 2
"""
df.ix[1:3] # 没有匹配到行标签,所以和iloc一致
"""
日期 单价 数量
编号
T002 2018-03-02 13:04:05 200 3
T003 2018-03-03 18:12:31 30 10
"""
df_without_index_col.ix[1:3] # 匹配到了行标签 1,2,3,表现与iloc一致
"""
编号 日期 单价 数量
1 T002 2018-03-02 13:04:05 200 3
2 T003 2018-03-03 18:12:31 30 10
3 T004 2018-03-04 20:34:05 400 2
"""
ix方法虽然兼容处理了2种情况,但是建议不要使用,尽量使用loc和iloc明确索引方式。
当前ix方法已经处于 deprecated 状态。
三、简单条件
1. 简单的逻辑判断(, ==, &, |, ~ 等)单价不小于200的记录
1
2
3
4
5
6
7
8
9df[df['单价'] >= 200]
# 等价于 df[~(df['单价'] < 200)]
"""
日期 单价 数量
编号
T002 2018-03-02 13:04:05 200 3
T004 2018-03-04 20:34:05 400 2
T005 2018-03-02 20:34:05 500 1
"""
单价大于等于200且数量大于1的记录(&表示与,|表示或,~表示非)
1
2
3
4
5
6
7df[(df['单价'] >= 200) & (df['数量'] >= 2)]
"""
日期 单价 数量
编号
T002 2018-03-02 13:04:05 200 3
T004 2018-03-04 20:34:05 400 2
"""
四、自定义函数
1. loc
loc函数支持传入自定义的函数进行筛选
筛选总价大于500的记录
1
2
3
4
5
6
7
8
9
10
11
12df.loc[lambda x: x['单价'] * x['数量'] > 500] # 函数入参 x 是整个 DataFrame
"""
日期 单价 数量
编号
T002 2018-03-02 13:04:05 200 3
T004 2018-03-04 20:34:05 400 2
"""
# 等价于
def filter_func(x):
print(type(x)) #
return x['单价'] * x['数量'] > 500
df.loc[filter_func]
筛选3月2号的记录
1
2
3
4
5
6
7
8
9# x是整个DataFrame,x['日期']是包含所有记录的Series
df.loc[lambda x: x['日期'].str.startswith('2018-03-02')]
"""
日期 单价 数量
编号
T001 2018-03-02 12:34:05 100 3
T002 2018-03-02 13:04:05 200 3
T005 2018-03-02 20:34:05 500 1
"""
Series.str(),可以使用Python自带的string相关的方法,构造筛选条件。
2. apply筛选总价大于500的记录
1
2
3
4
5
6
7
8
9
10
11
12df[df.apply(lambda x: x['单价'] * x['数量'] > 500, axis=1)] # 函数入参 x 是一行数据 Series
"""
日期 单价 数量
编号
T002 2018-03-02 13:04:05 200 3
T004 2018-03-04 20:34:05 400 2
"""
# 等价于
def filter_func(x):
print(type(x)) #
return x['单价'] * x['数量'] > 500
df[df.apply(filter_func, axis=1)]
axis默认为0,表示遍历列,axis=1,表示遍历行。
筛选3月2号的记录
1
2
3
4
5
6
7
8
9
10df['日期'] = pd.to_datetime(df['日期'])
# x表示一行记录(Series),x['日期']已经是一个具体的日期对象
df[df.apply(lambda x: x['日期'].date() == pd.to_datetime('2018/03/02').date(), axis=1)]
"""
日期 单价 数量
编号
T001 2018-03-02 12:34:05 100 3
T002 2018-03-02 13:04:05 200 3
T005 2018-03-02 20:34:05 500 1
"""
假如数据中单价包含非数字,需要删除
1
2
3
4
5
6
7编号,日期,单价,数量
T001,2018-03-02 12:34:05,100,3
T002,2018-03-02 13:04:05,200,3
T003,2018-03-03 18:12:31,30,10
T004,2018-03-04 20:34:05,400,2
T005,2018-03-02 20:34:05,500,1
T006,2018-03-02 20:34:05,$#500,1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19def filter_func(x):
try:
float(x['单价']) # x是为某一行的数据,x['单价']可以取到该行对应的值
return True
except:
return False
df = pd.read_csv('demo.csv', index_col='编号')
print(df[df.apply(filter_func, axis=1)])
"""
日期 单价 数量
编号
T001 2018-03-02 12:34:05 100 3
T002 2018-03-02 13:04:05 200 3
T003 2018-03-03 18:12:31 30 10
T004 2018-03-04 20:34:05 400 2
T005 2018-03-02 20:34:05 500.0 1
"""
附 推荐
本文发表于 2018-03-21,最后修改于 2020-12-22。
本站永久域名「 极客兔兔 」找到我。
欢迎关注我的
「 知乎 」
和 「 微博 」
,或通过「 RSS 」订阅本站。