python 数据分析 pandas 表格型数据 dataframe 提取列

在处理表格型数据时，一行数据是一个 sample，列就是待提取的特征。怎么选取其中的一些列呢？本文分享一些方法。

使用如下的数据作为例子：

import pandas as pd

data = pd.DataFrame({'Name':['Anna', 'Betty', 'Richard', 'Philip','Paul'],
        'course1':[85,83,90,84,85],
        'course2':[90,85,83,88,84],
        'course3':[82,86,81,91,85],
        'fruit':['apple','banana','apple','orange','peach'],
        'sport':['basketball', 'volleyball', 'football', 'basketball','baseball']},
         index=[1,2,3,4,5])
  
df = pd.DataFrame(data)

df 数据如下：

	Name	course1	course2	course3	fruit	sport
1	Anna	85	90	82	apple	basketball
2	Betty	83	85	86	banana	volleyball
3	Richard	90	83	81	apple	football
4	Philip	84	88	91	orange	basketball
5	Paul	85	84	85	peach	baseball

方法一：df[columns]

先看最简单的情况。输入列名，选择一列。例如：

df['course2']

1    90

2    85

3    83

4    88

5    84

Name: course2, dtype: int64

df[column list]：选择列。例如：

df[['course2','fruit']]

	course2	fruit
1	90	apple
2	85	banana
3	83	apple
4	88	orange
5	84	peach

或者以 column list (list 变量)的形式导入到 df[ ] 中，例如：

select_cols=['course2','fruit']
df[select_cols]

	course2	fruit
1	90	apple
2	85	banana
3	83	apple
4	88	orange
5	84	peach

可以用 column list=df.columns[start:end] 的方式选择连续列，start 和 end 均为数字，不包括 end 列。例如：

select_cols=df.columns[1:4]
df[select_cols]

	course1	course2	course3
1	85	90	82
2	83	85	86
3	90	83	81
4	84	88	91
5	85	84	85

你可能注意到，其中有 3 列的名字相近：‘course1’,‘course2’,‘course3’。怎么提取这三列呢？

select_cols=[c for c in df.columns if 'course' in c]
df[select_cols]

	course1	course2	course3
1	85	90	82
2	83	85	86
3	90	83	81
4	84	88	91
5	85	84	85

但是，如果你想输入df['course1':'course3'] 来索引连续列，就会报错。而输入数字索引df[1:3]时，结果不再是列索引，而是行索引，如下所示：

df[1:3]

	Name	course1	course2	course3	fruit	sport
2	Betty	83	85	86	banana	volleyball
3	Richard	90	83	81	apple	football

以下两种方法 df.loc[]和df.iloc[]就可以解决这个问题，可以明确行或列索引。还可以同时取多行和多列。

方法二：df.loc[]：用 label （行名或列名）做索引。

输入 column_list 选择多列 [:, column_list]，括号中第一个: 表示选择全部行。例如：

df.loc[:,['course2','fruit']]

	course2	fruit
1	90	apple
2	85	banana
3	83	apple
4	88	orange
5	84	peach

选择连续多列 [:,start_col: end_col]，注意：包括 end_col。例如：

df.loc[:,'course2':'fruit']

	course2	course3	fruit
1	90	82	apple
2	85	86	banana
3	83	81	apple
4	88	91	orange
5	84	85	peach

选择多行和多列，例如：

df.loc[1:3,'course2':'fruit']

	course2	course3	fruit
1	90	82	apple
2	85	86	banana
3	83	81	apple

与 df[ ]类似，df.loc[ ]括号内也可以输入判断语句，结果是对行做筛选。例如：

df.loc[df['course1']>84]

#注：输入df[df['course1']>84]，输出结果相同

	Name	course1	course2	course3	fruit	sport
1	Anna	85	90	82	apple	basketball
3	Richard	90	83	81	apple	football
5	Paul	85	84	85	peach	baseball

方法三：df.iloc[]: i 表示 integer，用 integer location（行或列的整数位置，从0开始）做索引。

df.iloc与df.loc用法类似，只是索引项不同。

df.iloc[:,[2,4]]

	course2	fruit
1	90	apple
2	85	banana
3	83	apple
4	88	orange
5	84	peach

选择连续多列：df.iloc[:, start_ix:end_ix]，注意：不包括 end_ix。例如：

df.iloc[:,2:5]

	course2	course3	fruit
1	90	82	apple
2	85	86	banana
3	83	81	apple
4	88	91	orange
5	84	85	peach

选择多行与多列，例如：

df.iloc[1:3,[2,4]]

	course2	fruit
2	85	banana
3	83	apple

与 df.loc[] 不同，df.iloc[] 括号内不可以输入判断语句。

补充：提取所有列名中包含“线索”、“浏览”字段的列

import pandas as pd
  
path = 'F:\python_projects\python_learning\ershouche.csv'
df = pd.read_csv(open(path), index_col=0)
df = df.fillna(0)  # 填充空值后需赋值
print(df.describe())
  
columns = df.columns.values.tolist()  # 获取列名列表，注意values，tolist的使用
col_xian = []  # 存储包含‘线索'字段的列名
for i in columns:
    if '线索' in i:
        col_xian.append(i)
  
col_liu = [] # 存储包含‘浏览'字段的列名
for i in columns:
    if '浏览' in i:
        col_liu.append(i)
  
df_xian = df[col_xian]  # 根据列名取列
df_liu = df[col_liu]