python中series按值选行_根据pandas中列的值从DataFrame中选择行

有一些从pandas数据框中选择行的基本方法。布尔索引

位置索引

标签索引

API

对于每种基本类型，我们可以通过将自己限制在pandas API中来保持简单，或者我们可以在API之外冒险，通常进入numpy并加速。

我将向您展示每个示例，并指导您何时使用某些技术。

设置

我们首先需要确定一个条件，作为选择行的标准。OP提供column_name == some_value。我们将从那里开始并包含一些其他常见用例。

借用@unutbu：import pandas as pd, numpy as np

df = pd.DataFrame({'A': 'foo bar foo bar foo bar foo foo'.split(),

'B': 'one one two three two two one three'.split(),

'C': np.arange(8), 'D': np.arange(8) * 2})

假设我们的标准是column 'A'='foo'

1.

布尔索引要求查找每行的'A'列的真值等于'foo'，然后使用这些真值来标识要保留的行。通常，我们将此系列命名为一系列真值，mask。我们也会在这里这样做。mask = df['A'] == 'foo'

然后我们可以使用此掩码对数据帧进行切片或索引

df[mask]

A      B  C   D

0  foo    one  0   0

2  foo    two  2   4

4  foo    two  4   8

6  foo    one  6  12

7  foo  three  7  14

这是完成此任务的最简单方法之一，如果性能或直观性不是问题，那么这应该是您选择的方法。但是，如果性能是一个问题，那么您可能想要考虑另一种创建方法mask。

2.

位置索引有其用例，但这不是其中之一。为了确定切片的位置，我们首先需要执行上面我们所做的相同的布尔分析。这使我们执行一个额外的步骤来完成相同的任务。

mask = df['A'] == 'foo'

pos = np.flatnonzero(mask)

df.iloc[pos]

A      B  C   D

0  foo    one  0   0

2  foo    two  2   4

4  foo    two  4   8

6  foo    one  6  12

7  foo  three  7  14

3.

标签索引可以非常方便，但在这种情况下，我们再次做更多的工作，没有任何好处

df.set_index('A', append=True, drop=False).xs('foo', level=1)

A      B  C   D

0  foo    one  0   0

2  foo    two  2   4

4  foo    two  4   8

6  foo    one  6  12

7  foo  three  7  14

4.

pd.DataFrame.query是一种非常优雅/直观的方式来执行此任务。但往往比较慢。 但是，如果您注意以下时间，对于大数据，查询非常有效。比标准方法更重要，与我最好的建议相似。

df.query('A == "foo"')

A      B  C   D

0  foo    one  0   0

2  foo    two  2   4

4  foo    two  4   8

6  foo    one  6  12

7  foo  three  7  14

我的偏好是使用 Boolean mask

可以通过修改我们创建的方式来实现实际改进Boolean mask。

maskalternative 1

使用底层numpy数组并放弃创建另一个数组的开销pd.Series

mask = df['A'].values == 'foo'

我将在最后展示更完整的时间测试，但只是看看我们使用示例数据帧获得的性能提升。首先，我们看一下创建的区别mask

%timeit mask = df['A'].values == 'foo'

%timeit mask = df['A'] == 'foo'

5.84 µs ± 195 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

166 µs ± 4.45 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

mask使用numpy数组进行评估的速度要快30倍。这部分是由于numpy评估通常更快。部分原因还在于缺乏构建索引和相应pd.Series对象所需的开销。

接下来，我们将看一个切片与另一个切片的时间mask。

mask = df['A'].values == 'foo'

%timeit df[mask]

mask = df['A'] == 'foo'

%timeit df[mask]

219 µs ± 12.3 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

239 µs ± 7.03 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

性能提升并不明显。我们将看看这是否适用于更强大的测试。

mask替代方案2

我们也可以重建数据框架。在重建数据帧时有一个很大的警告 - 你必须dtypes在这样做的时候注意！

而不是df[mask]我们会这样做

pd.DataFrame(df.values[mask], df.index[mask], df.columns).astype(df.dtypes)

如果数据帧是混合类型(我们的示例是)，那么当我们得到df.values结果数组dtype object时，新数据帧的所有列都将是dtype object。因此需要astype(df.dtypes)并杀死任何潜在的性能提升。

%timeit df[m]

%timeit pd.DataFrame(df.values[mask], df.index[mask], df.columns).astype(df.dtypes)

216 µs ± 10.4 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

1.43 ms ± 39.6 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

但是，如果数据框不是混合类型，则这是一种非常有用的方法。

特定

np.random.seed([3,1415])

d1 = pd.DataFrame(np.random.randint(10, size=(10, 5)), columns=list('ABCDE'))

d1

A  B  C  D  E

0  0  2  7  3  8

1  7  0  6  8  6

2  0  2  0  4  9

3  7  3  2  4  3

4  3  6  7  7  4

5  5  3  7  5  9

6  8  7  6  4  7

7  6  2  6  6  5

8  2  8  7  5  8

9  4  7  6  1  5

%%timeit

mask = d1['A'].values == 7

d1[mask]

179 µs ± 8.73 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

与

%%timeit

mask = d1['A'].values == 7

pd.DataFrame(d1.values[mask], d1.index[mask], d1.columns)

87 µs ± 5.12 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

我们把时间缩短了一半。

mask替代3

@unutbu还向我们展示了如何使用pd.Series.isin来计算df['A']一组值中的每个元素。如果我们的值集是一个值的集合，即对此进行评估'foo'。但如果需要，它还可以推广包括更大的值集。事实证明，尽管这是一个更通用的解决方案，但仍然相当快。对于那些不熟悉这个概念的人来说，唯一真正的损失是直观的。

mask = df['A'].isin(['foo'])

df[mask]

A      B  C   D

0  foo    one  0   0

2  foo    two  2   4

4  foo    two  4   8

6  foo    one  6  12

7  foo  three  7  14

然而，和以前一样，我们可以利用numpy提高性能，同时几乎不牺牲任何东西。我们会用的np.in1d

mask = np.in1d(df['A'].values, ['foo'])

df[mask]

A      B  C   D

0  foo    one  0   0

2  foo    two  2   4

4  foo    two  4   8

6  foo    one  6  12

7  foo  three  7  14

时间

我将包括其他帖子中提到的其他概念以供参考。

代码如下

此表中的每个列表示一个不同长度的数据框，我们在其上测试每个函数。每列显示相对时间，最快的函数给定基本索引1.0。

res.div(res.min())

10        30        100       300       1000      3000      10000     30000

mask_standard         2.156872  1.850663  2.034149  2.166312  2.164541  3.090372  2.981326  3.131151

mask_standard_loc     1.879035  1.782366  1.988823  2.338112  2.361391  3.036131  2.998112  2.990103

mask_with_values      1.010166  1.000000  1.005113  1.026363  1.028698  1.293741  1.007824  1.016919

mask_with_values_loc  1.196843  1.300228  1.000000  1.000000  1.038989  1.219233  1.037020  1.000000

query                 4.997304  4.765554  5.934096  4.500559  2.997924  2.397013  1.680447  1.398190

xs_label              4.124597  4.272363  5.596152  4.295331  4.676591  5.710680  6.032809  8.950255

mask_with_isin        1.674055  1.679935  1.847972  1.724183  1.345111  1.405231  1.253554  1.264760

mask_with_in1d        1.000000  1.083807  1.220493  1.101929  1.000000  1.000000  1.000000  1.144175

你会注意到最快的时间似乎在mask_with_values和之间共享mask_with_in1d

res.T.plot(loglog=True)

功能

def mask_standard(df):

mask = df['A'] == 'foo'

return df[mask]

def mask_standard_loc(df):

mask = df['A'] == 'foo'

return df.loc[mask]

def mask_with_values(df):

mask = df['A'].values == 'foo'

return df[mask]

def mask_with_values_loc(df):

mask = df['A'].values == 'foo'

return df.loc[mask]

def query(df):

return df.query('A == "foo"')

def xs_label(df):

return df.set_index('A', append=True, drop=False).xs('foo', level=-1)

def mask_with_isin(df):

mask = df['A'].isin(['foo'])

return df[mask]

def mask_with_in1d(df):

mask = np.in1d(df['A'].values, ['foo'])

return df[mask]

测试

res = pd.DataFrame(

index=[

'mask_standard', 'mask_standard_loc', 'mask_with_values', 'mask_with_values_loc',

'query', 'xs_label', 'mask_with_isin', 'mask_with_in1d'

],

columns=[10, 30, 100, 300, 1000, 3000, 10000, 30000],

dtype=float

)

for j in res.columns:

d = pd.concat([df] * j, ignore_index=True)

for i in res.index:a

stmt = '{}(d)'.format(i)

setp = 'from __main__ import d, {}'.format(i)

res.at[i, j] = timeit(stmt, setp, number=50)

特殊时序

查看当我们dtype为整个数据帧设置单个非对象时的特殊情况。 代码如下

spec.div(spec.min())

10        30        100       300       1000      3000      10000     30000

mask_with_values  1.009030  1.000000  1.194276  1.000000  1.236892  1.095343  1.000000  1.000000

mask_with_in1d    1.104638  1.094524  1.156930  1.072094  1.000000  1.000000  1.040043  1.027100

reconstruct       1.000000  1.142838  1.000000  1.355440  1.650270  2.222181  2.294913  3.406735

事实证明，重建不值得过去几百行。

spec.T.plot(loglog=True)

功能np.random.seed([3,1415])d1 = pd.DataFrame(np.random.randint(10, size=(10, 5)), columns=list('ABCDE'))def mask_with_values(df):

mask = df['A'].values == 'foo'

return df[mask]def mask_with_in1d(df):

mask = np.in1d(df['A'].values, ['foo'])

return df[mask]def reconstruct(df):

v = df.values

mask = np.in1d(df['A'].values, ['foo'])

return pd.DataFrame(v[mask], df.index[mask], df.columns)spec = pd.DataFrame(

index=['mask_with_values', 'mask_with_in1d', 'reconstruct'],

columns=[10, 30, 100, 300, 1000, 3000, 10000, 30000],

dtype=float)

测试for j in spec.columns:

d = pd.concat([df] * j, ignore_index=True)

for i in spec.index:

stmt = '{}(d)'.format(i)

setp = 'from __main__ import d, {}'.format(i)

spec.at[i, j] = timeit(stmt, setp, number=50)