我从CSV文件加载了一些机器学习数据。 前两列是观察值,其余两列是要素。
目前,我执行以下操作:
1data = pandas.read_csv('mydata.csv')
它给出了类似的东西:
1data = pandas.DataFrame(np.random.rand(10,5), columns = list('abcde'))
我想将此数据帧切成两个数据帧:一个包含列a和b,另一个包含列c,d和e。
不可能写这样的东西
1
2observations = data[:'c']
features = data['c':]
我不确定最好的方法是什么。 我需要pd.Panel吗?
顺便说一下,我发现数据帧索引非常不一致:允许使用data['a'],但是不允许使用data[0]。 另一方面,不允许使用data['a':],但是允许使用data[0:]。
是否有实际原因? 鉴于data[0] != data[0:1],如果列被Int索引,这确实令人困惑
当执行df [...]时,DataFrame本质上是一个类似dict的对象,但是有些便利,例如 添加df[5:10]用于选择行(pandas.pydata.org/pandas-docs/stable/)
那么,这种不一致性是为了方便而做出的设计决定吗? 好的,但是对于初学者来说绝对需要更加明确!
支持便利性的设计考虑使学习曲线变得陡峭。 我希望刚开始时有更好的文档,只是介绍一个一致的界面。 例如,仅关注ix界面。
2017年答案-熊猫0.20:.ix已弃用。使用.loc
请参阅文档中的弃用
.loc使用基于标签的索引来选择行和列。标签是索引或列的值。用.loc切片包括最后一个元素。
Let's assume we have a DataFrame with the following columns:
foo, bar, quz, ant, cat, sat, dat.
1
2
3# selects all rows and all columns beginning at 'foo' up to and including 'sat'
df.loc[:, 'foo':'sat']
# foo bar quz ant cat sat
.loc接受与Python列表对行和列所做的相同的切片表示法。切片符号为start:stop:step
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29# slice from 'foo' to 'cat' by every 2nd column
df.loc[:, 'foo':'cat':2]
# foo quz cat
# slice from the beginning to 'bar'
df.loc[:, :'bar']
# foo bar
# slice from 'quz' to the end by 3
df.loc[:, 'quz'::3]
# quz sat
# attempt from 'sat' to 'bar'
df.loc[:, 'sat':'bar']
# no columns returned
# slice from 'sat' to 'bar'
df.loc[:, 'sat':'bar':-1]
sat cat ant quz bar
# slice notation is syntatic sugar for the slice function
# slice from 'quz' to the end by 2 with slice function
df.loc[:, slice('quz',None, 2)]
# quz cat dat
# select specific columns with a list
# select columns foo, bar and dat
df.loc[:, ['foo','bar','dat']]
# foo bar dat
您可以按行和列进行切片。例如,如果您有5行带有标签v,w,x,y,z
1
2
3
4
5
6# slice from 'w' to 'y' and 'foo' to 'ant' by 3
df.loc['w':'y', 'foo':'ant':3]
# foo ant
# w
# x
# y
如果您使用lambda行应用,例如:df[newcol] = df.apply(lambda row: myfunc(row), axis=1),则可以在myfunc(row){中使用... row[foo:ant]。例如(根据此StackOverflow答案),您可以在myfunc内部评估其中是否有任何非数字内容:row[foo:ant].apply(lambda x: isinstance(x, str)).any()
现在应使用.iloc,而不是.loc。修复该问题,并对此进行表决。
您想要访问的是DataFrame.ix索引。这有点令人困惑(我同意熊猫索引有时会令人困惑!),但是以下内容似乎可以满足您的要求:
1
2
3
4
5
6
7>>> df = DataFrame(np.random.rand(4,5), columns = list('abcde'))
>>> df.ix[:,'b':]
b c d e
0 0.418762 0.042369 0.869203 0.972314
1 0.991058 0.510228 0.594784 0.534366
2 0.407472 0.259811 0.396664 0.894202
3 0.726168 0.139531 0.324932 0.906575
其中.ix [row slice,column slice]是正在解释的内容。有关熊猫索引的更多信息,请访问:http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-advanced
注意:自熊猫v0.20起不推荐使用.ix。您应该视情况使用.loc或.iloc。
注意熊猫的范围包括两个端点,即>>>data.ix[:, a:c] a b c 0 0.859192 0.881433 0.843624 1 0.744979 0.427986 0.177159
这样可以传递多列df.ix[:,[0,3,4]]
@Karmel:上面的输出中似乎有复制/粘贴错误。也许您是说df.ix[:,b:e]?
最好使用loc而不是ix:stackoverflow.com/a/31593712/4323
像这样的旧答案需要删除。 .ix已弃用,切勿使用。
让我们以seaborn包中的钛酸数据集为例
1
2
3# Load dataset (pip install seaborn)
>> import seaborn.apionly as sns
>> titanic = sns.load_dataset('titanic')
using the column names
1>> titanic.loc[:,['sex','age','fare']]
using the column indices
1>> titanic.iloc[:,[2,3,6]]
using ix (Older than Pandas
1>> titanic.ix[:,[‘sex’,’age’,’fare’]]
要么
1>> titanic.ix[:,[2,3,6]]
using the reindex method
1>> titanic.reindex(columns=['sex','age','fare'])
在熊猫0.20中:不推荐使用.ix。
另外,给定一个DataFrame
data
如您的示例所示,如果您只想提取a和d列(即第1列和第4列),则需要熊猫数据框中的iloc方法,并且可以非常有效地使用它。您只需要知道要提取的列的索引即可。例如:
1>>> data.iloc[:,[0,3]]
会给你
1
2
3
4
5
6
7
8
9
10
11a d
0 0.883283 0.100975
1 0.614313 0.221731
2 0.438963 0.224361
3 0.466078 0.703347
4 0.955285 0.114033
5 0.268443 0.416996
6 0.613241 0.327548
7 0.370784 0.359159
8 0.692708 0.659410
9 0.806624 0.875476
您可以通过引用列表中每一列的名称来沿DataFrame的列进行切片,如下所示:
1
2
3data = pandas.DataFrame(np.random.rand(10,5), columns = list('abcde'))
data_ab = data[list('ab')]
data_cde = data[list('cde')]
因此,如果我希望所有数据都从列b开始,则需要在data.columns中找到b的索引,然后执行data [data.columns [1:]]吗?那就是规范的操作方式?
您是说要从b开始选择所有列?
是的,或者选择给定范围内的所有列。
我对熊猫本人来说还很陌生,所以我不能说什么被认为是规范的。我会像您说的那样做,但是在data.columns上使用get_loc函数来确定b列的索引或其他内容。
如果您来这里是想对两个范围的列进行切片并将它们组合在一起(例如我),则可以执行以下操作
1
2op = df[list(df.columns[0:899]) + list(df.columns[3593:])]
print op
这将创建一个具有前900列和(所有)列> 3593的新数据框(假设数据集中有4000列)。
太好了,有人尝试过了...我想知道,这个0:899可以得到前900列。.为什么他们这样做呢?感觉根本不像Python。在python中使用范围时,它总是直到不被包含
这是您可以使用不同方法进行选择性列切片的方法,包括基于选择性标签,基于索引和基于选择性范围的列切片。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44In [37]: import pandas as pd
In [38]: import numpy as np
In [43]: df = pd.DataFrame(np.random.rand(4,7), columns = list('abcdefg'))
In [44]: df
Out[44]:
a b c d e f g
0 0.409038 0.745497 0.890767 0.945890 0.014655 0.458070 0.786633
1 0.570642 0.181552 0.794599 0.036340 0.907011 0.655237 0.735268
2 0.568440 0.501638 0.186635 0.441445 0.703312 0.187447 0.604305
3 0.679125 0.642817 0.697628 0.391686 0.698381 0.936899 0.101806
In [45]: df.loc[:, ["a","b","c"]] ## label based selective column slicing
Out[45]:
a b c
0 0.409038 0.745497 0.890767
1 0.570642 0.181552 0.794599
2 0.568440 0.501638 0.186635
3 0.679125 0.642817 0.697628
In [46]: df.loc[:,"a":"c"] ## label based column ranges slicing
Out[46]:
a b c
0 0.409038 0.745497 0.890767
1 0.570642 0.181552 0.794599
2 0.568440 0.501638 0.186635
3 0.679125 0.642817 0.697628
In [47]: df.iloc[:, 0:3] ## index based column ranges slicing
Out[47]:
a b c
0 0.409038 0.745497 0.890767
1 0.570642 0.181552 0.794599
2 0.568440 0.501638 0.186635
3 0.679125 0.642817 0.697628
### with 2 different column ranges, index based slicing:
In [49]: df[df.columns[0:1].tolist() + df.columns[1:3].tolist()]
Out[49]:
a b c
0 0.409038 0.745497 0.890767
1 0.570642 0.181552 0.794599
2 0.568440 0.501638 0.186635
3 0.679125 0.642817 0.697628
请尝试避免仅将代码作为答案转储,并尝试解释其作用和原因。对于没有相关编码经验的人,您的代码可能并不明显。请编辑您的答案以包括说明,上下文,并尝试在答案中提及任何限制,假设或简化。
如果数据框如下所示:
1
2
3
4
5
6
7group name count
fruit apple 90
fruit banana 150
fruit orange 130
vegetable broccoli 80
vegetable kale 70
vegetable lettuce 125
和输出可能像
1
2
3
4group name count
0 fruit apple 90
1 fruit banana 150
2 fruit orange 130
如果您使用逻辑运算符np.logical_not
1df[np.logical_not(df['group'] == 'vegetable')]
更多关于
https://docs.scipy.org/doc/numpy-1.13.0/reference/routines.logic.html
其他逻辑运算符
logical_and(x1,x2,/ [,out,where,...])计算的真值
x1和x2元素方式。
logical_or(x1,x2,/ [,out,where,cast,
...])按元素计算x1或x2的真值。
logical_not(x,/ [,out,where,cast,...])计算真相
非x元素值。
logical_xor(x1,x2,/ [,out,where,..])按元素计算x1 XOR x2的真值。
相当于
1
2>>> print(df2.loc[140:160,['Relevance','Title']])
>>> print(df2.ix[140:160,[3,7]])
假设您需要所有行,则从DataFrame获取列子集的另一种方法是:
data[['a','b']]和data[['c','d','e']]
如果要使用数字列索引,可以执行以下操作:
data[data.columns[:2]]和data[data.columns[2:]]