问：

如何根据 Pandas 中某列中的值从 DataFrame 中选择行？

在 SQL 中，我会使用：

SELECT *
FROM table
WHERE column_name = some_value

答1:

与HuntsBot一起，探索全球自由职业机会–huntsbot.com

要选择列值等于标量 some_value 的行，请使用 ==：

df.loc[df['column_name'] == some_value]

要选择列值在可迭代 some_values 中的行，请使用 isin：

df.loc[df['column_name'].isin(some_values)]

将多个条件与 & 组合：

df.loc[(df['column_name'] >= A) & (df['column_name'] <= B)]

注意括号。由于 Python 的 operator precedence rules，& 比 <= 和 >= 绑定得更紧密。因此，最后一个示例中的括号是必要的。没有括号

df['column_name'] >= A & df['column_name'] <= B

被解析为

df['column_name'] >= (A & df['column_name']) <= B

这导致 Truth value of a Series is ambiguous error。

要选择列值不等于 some_value 的行，请使用 !=：

df.loc[df['column_name'] != some_value]

isin 返回一个布尔系列，因此要选择 some_values 中值为 not 的行，请使用 ~ 否定布尔系列：

df.loc[~df['column_name'].isin(some_values)]

例如，

import pandas as pd
import 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})
print(df)
#      A      B  C   D
# 0  foo    one  0   0
# 1  bar    one  1   2
# 2  foo    two  2   4
# 3  bar  three  3   6
# 4  foo    two  4   8
# 5  bar    two  5  10
# 6  foo    one  6  12
# 7  foo  three  7  14print(df.loc[df['A'] == 'foo'])

产量

     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

如果您有多个要包含的值，请将它们放在一个列表中（或更一般地说，任何可迭代的）并使用 isin：

print(df.loc[df['B'].isin(['one','three'])])

产量

     A      B  C   D
0  foo    one  0   0
1  bar    one  1   2
3  bar  three  3   6
6  foo    one  6  12
7  foo  three  7  14

但是请注意，如果您希望多次执行此操作，则先创建索引然后使用 df.loc 会更有效：

df = df.set_index(['B'])
print(df.loc['one'])

产量

       A  C   D
B              
one  foo  0   0
one  bar  1   2
one  foo  6  12

或者，要包含索引中的多个值，请使用 df.index.isin：

df.loc[df.index.isin(['one','two'])]

产量

       A  C   D
B              
one  foo  0   0
one  bar  1   2
two  foo  2   4
two  foo  4   8
two  bar  5  10
one  foo  6  12

事实上， df[df['colume_name']==some_value] 也可以。但是我的第一次尝试 df.where(df['colume_name']==some_value) 不起作用...不知道为什么...

当您使用 df.where(condition) 时，条件必须具有与 df 相同的形状。

这些链接对你们中的许多人可能非常有用：pandas.pydata.org/pandas-docs/stable/indexing.html gregreda.com/2013/10/26/working-with-pandas-dataframes

仅供参考：如果您想根据两个（或更多）标签（需要两者或其中一个）选择一行，请参阅 stackoverflow.com/questions/31756340/…

既然 df[df['column_name'] == some_value] 有效，为什么我们需要在此处添加 .loc？

答2:

与HuntsBot一起，探索全球自由职业机会–huntsbot.com

有几种方法可以从 Pandas 数据框中选择行：

布尔索引 (df[df[‘col’] == value] ) 位置索引 (df.iloc[…]) 标签索引 (df.xs(…)) df.query(…) API

下面我将向您展示每个示例，以及何时使用某些技术的建议。假设我们的标准是列 ‘A’ == ‘foo’

（关于性能的注意事项：对于每种基本类型，我们可以使用 Pandas API 使事情变得简单，或者我们可以在 API 之外冒险，通常进入 NumPy，并加快速度。）

设置

我们需要的第一件事是确定一个条件，它将作为我们选择行的标准。我们将从 OP 的案例 column_name == some_value 开始，并包括一些其他常见的用例。

借用@unutbu：

import pandas as pd, numpy as npdf = 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})

1.布尔索引

…布尔索引需要找到每行的 ‘A’ 列的真值等于 ‘foo’，然后使用这些真值来确定要保留哪些行。通常，我们将这个系列命名为一组真值，mask。我们也会在这里这样做。

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

然后我们可以使用这个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，这应该是您选择的方法。但是，如果性能是一个问题，那么您可能需要考虑另一种创建 mask 的方法。

2.位置索引

位置索引 (df.iloc[…]) 有其用例，但这不是其中之一。为了确定切片的位置，我们首先需要执行与上面相同的布尔分析。这让我们执行了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

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. df.query() API

pd.DataFrame.query 是执行此任务的一种非常优雅/直观的方式，但通常速度较慢。 但是，如果你注意下面的时序，对于大数据，查询是非常有效的。比标准方法更重要，并且与我的最佳建议相似。

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 Boolean mask 的方式来进行实际改进。

mask 替代 1 使用底层 NumPy 数组并放弃创建另一个 pd.Series

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

我将在最后展示更完整的时间测试，但只需看看我们使用示例数据框获得的性能提升。首先，我们看看创建 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)

使用 NumPy 数组评估 mask 的速度大约快 30 倍。这部分是由于 NumPy 评估通常更快。部分原因还在于构建索引和相应的 pd.Series 对象所需的开销不足。

接下来，我们将查看使用一个 mask 与另一个进行切片的时间。

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)

性能提升并不那么明显。我们将看看这是否支持更强大的测试。

mask 备选方案 2 我们也可以重建数据框。重建数据框时有一个很大的警告——这样做时必须注意 dtypes！

我们将这样做而不是 df[mask]

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

如果数据框是混合类型，例如我们的示例，那么当我们得到 df.values 时，结果数组是 dtype object，因此，新数据框的所有列都将是 dtype {3 }。因此需要 astype(df.dtypes) 并扼杀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，这是一种非常有用的方法。

给定

np.random.seed([3,1415])
d1 = pd.DataFrame(np.random.randint(10, size=(10, 5)), columns=list('ABCDE'))d1A  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)

相对

%%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 备选方案 3

@unutbu 还向我们展示了如何使用 pd.Series.isin 来说明 df[‘A’] 的每个元素都在一组值中。如果我们的值集是一组一个值，即 ‘foo’，则计算结果相同。但如果需要，它也可以概括为包括更大的值集。事实证明，这仍然相当快，即使它是一个更通用的解决方案。对于那些不熟悉这个概念的人来说，唯一真正的损失是直觉。

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 来提高性能，同时几乎不牺牲任何东西。我们将使用 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

定时

我还将包括其他帖子中提到的其他概念以供参考。

下面的代码

此表中的每个 列 代表一个不同长度的数据帧，我们在该数据帧上测试每个函数。每列显示所用的相对时间，最快的函数给出的基本索引为 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

您会注意到最快的时间似乎在 mask_with_values 和 mask_with_in1d 之间共享。

res.T.plot(loglog=True)

https://i.stack.imgur.com/ljeTd.png

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:astmt = '{}(d)'.format(i)setp = 'from __main__ import d, {}'.format(i)res.at[i, j] = timeit(stmt, setp, number=50)

特殊时间

查看整个数据框有一个非对象 dtype 的特殊情况。

下面的代码

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，重建几百行是不值得的。

spec.T.plot(loglog=True)

https://i.stack.imgur.com/K1bNc.png

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.valuesmask = 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)

使用 df['A'].values == 'foo' apper FutureWarning：元素比较失败；而是返回标量，但将来将执行元素比较

答3:

huntsbot.com精选全球7大洲远程工作机会，涵盖各领域，帮助想要远程工作的数字游民们能更精准、更高效的找到对方。

tl;博士

熊猫相当于

select * from table where column_name = some_value

是

table[table.column_name == some_value]

多个条件：

table[(table.column_name == some_value) | (table.column_name2 == some_value2)]

或者

table.query('column_name == some_value | column_name2 == some_value2')

代码示例

import pandas as pd# Create data set
d = {'foo':[100, 111, 222],'bar':[333, 444, 555]}
df = pd.DataFrame(d)# Full dataframe:
df# Shows:
#    bar   foo
# 0  333   100
# 1  444   111
# 2  555   222# Output only the row(s) in df where foo is 222:
df[df.foo == 222]# Shows:
#    bar  foo
# 2  555  222

在上面的代码中，行 df[df.foo == 222] 根据列值给出行，在本例中为 222。

多个条件也是可能的：

df[(df.foo == 222) | (df.bar == 444)]
#    bar  foo
# 1  444  111
# 2  555  222

但那时我建议使用 query 函数，因为它不那么冗长并且产生相同的结果：

df.query('foo == 222 | bar == 444')

query 是这里唯一与方法链兼容的答案。似乎它是 dplyr 中 filter 的 pandas 模拟。

谢谢你。我尝试了多种方法来获得记录。唯一可行的方法是使用查询功能。

答4:

与HuntsBot一起，探索全球自由职业机会–huntsbot.com

我发现以前答案的语法是多余的，很难记住。 Pandas 在 v0.13 中引入了 query() 方法，我更喜欢它。对于您的问题，您可以执行 df.query(‘col == val’)

转载自 http://pandas.pydata.org/pandas-docs/version/0.17.0/indexing.html#indexing-query

In [167]: n = 10In [168]: df = pd.DataFrame(np.random.rand(n, 3), columns=list('abc'))In [169]: df
Out[169]: a         b         c
0  0.687704  0.582314  0.281645
1  0.250846  0.610021  0.420121
2  0.624328  0.401816  0.932146
3  0.011763  0.022921  0.244186
4  0.590198  0.325680  0.890392
5  0.598892  0.296424  0.007312
6  0.634625  0.803069  0.123872
7  0.924168  0.325076  0.303746
8  0.116822  0.364564  0.454607
9  0.986142  0.751953  0.561512# pure python
In [170]: df[(df.a < df.b) & (df.b < df.c)]
Out[170]: a         b         c
3  0.011763  0.022921  0.244186
8  0.116822  0.364564  0.454607# query
In [171]: df.query('(a < b) & (b < c)')
Out[171]: a         b         c
3  0.011763  0.022921  0.244186
8  0.116822  0.364564  0.454607

您还可以通过添加 @ 来访问环境中的变量。

exclude = ('red', 'orange')
df.query('color not in @exclude')

答5:

huntsbot.com高效搞钱，一站式跟进超10+任务平台外包需求

使用带有 pandas >= 0.25.0 的 .query 更加灵活：

由于 pandas >= 0.25.0，我们可以使用 query 方法来过滤带有 pandas 方法的数据帧，甚至是包含空格的列名。通常，列名中的空格会产生错误，但现在我们可以使用反引号 (`) 解决该问题 - 请参阅 GitHub：

# Example dataframe
df = pd.DataFrame({'Sender email':['ex@example.com', "reply@shop.com", "buy@shop.com"]})Sender email
0  ex@example.com
1  reply@shop.com
2    buy@shop.com

将 .query 与方法 str.endswith 一起使用：

df.query('`Sender email`.str.endswith("@shop.com")')

输出

     Sender email
1  reply@shop.com
2    buy@shop.com

我们还可以通过在查询中使用 @ 作为前缀来使用局部变量：

domain = 'shop.com'
df.query('`Sender email`.str.endswith(@domain)')

输出

     Sender email
1  reply@shop.com
2    buy@shop.com

赞成，因为 .str 演员表不明显。

很高兴知道这在效率方面的表现如何......我可以认为它可能更有效的一些原因，还有一些不应该的......我想它也可能与内部实现和选择的元素数量？

答6:

huntsbot.com – 程序员副业首选，一站式外包任务、远程工作、创意产品分享订阅平台。

对于 Pandas 中的给定值，仅从多列中选择特定列：

select col_name1, col_name2 from table where column_name = some_value.

选项 loc：

df.loc[df['column_name'] == some_value, [col_name1, col_name2]]

或 query：

df.query('column_name == some_value')[[col_name1, col_name2]]

答7:

一个优秀的自由职业者，应该有对需求敏感和精准需求捕获的能力，而huntsbot.com提供了这个机会

使用 numpy.where 可以获得更快的结果。

例如，使用 unubtu’s setup -

In [76]: df.iloc[np.where(df.A.values=='foo')]
Out[76]: 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

时间比较：

In [68]: %timeit df.iloc[np.where(df.A.values=='foo')]  # fastest
1000 loops, best of 3: 380 µs per loopIn [69]: %timeit df.loc[df['A'] == 'foo']
1000 loops, best of 3: 745 µs per loopIn [71]: %timeit df.loc[df['A'].isin(['foo'])]
1000 loops, best of 3: 562 µs per loopIn [72]: %timeit df[df.A=='foo']
1000 loops, best of 3: 796 µs per loopIn [74]: %timeit df.query('(A=="foo")')  # slowest
1000 loops, best of 3: 1.71 ms per loop

答8:

huntsbot.com – 高效赚钱，自由工作

在较新版本的 Pandas 中，受文档 (Viewing data) 的启发：

df[df["colume_name"] == some_value] #Scalar, True/False..df[df["colume_name"] == "some_value"] #String

通过将子句放在括号 () 中并将它们与 & 和 |（和/或）组合来组合多个条件。像这样：

df[(df["colume_name"] == "some_value1") & (pd[pd["colume_name"] == "some_value2"])]

其他过滤器

pandas.notna(df["colume_name"]) == True # Not NaN
df['colume_name'].str.contains("text") # Search for "text"
df['colume_name'].str.lower().str.contains("text") # Search for "text", after converting  to lowercase

谢谢。如果我想选择某列内容长度 >10 的行怎么办？例如，我想要： len(df["column_name"] > 10，有没有直接的方法可以做到这一点，或者我必须循环创建一个新的 DataFrame？

答9:

huntsbot.com聚合了超过10+全球外包任务平台的外包需求，寻找外包任务与机会变的简单与高效。

这是一个简单的例子

from pandas import DataFrame# Create data set
d = {'Revenue':[100,111,222], 'Cost':[333,444,555]}
df = DataFrame(d)# mask = Return True when the value in column "Revenue" is equal to 111
mask = df['Revenue'] == 111print mask# Result:
# 0    False
# 1     True
# 2    False
# Name: Revenue, dtype: bool# Select * FROM df WHERE Revenue = 111
df[mask]# Result:
#    Cost    Revenue
# 1  444     111

答10:

huntsbot.com汇聚了国内外优秀的初创产品创意，可按收入、分类等筛选，希望这些产品与实践经验能给您带来灵感。

附加到这个著名的问题（虽然有点太晚了）：您还可以执行 df.groupby(‘column_name’).get_group(‘column_desired_value’).reset_index() 来创建一个具有特定值的指定列的新数据框。例如

import pandas as pd
df = pd.DataFrame({'A': 'foo bar foo bar foo bar foo foo'.split(),'B': 'one one two three two two one three'.split()})
print("Original dataframe:")
print(df)b_is_two_dataframe = pd.DataFrame(df.groupby('B').get_group('two').reset_index()).drop('index', axis = 1) 
#NOTE: the final drop is to remove the extra index column returned by groupby object
print('Sub dataframe where B is two:')
print(b_is_two_dataframe)

运行这个给出：

Original dataframe:A      B
0  foo    one
1  bar    one
2  foo    two
3  bar  three
4  foo    two
5  bar    two
6  foo    one
7  foo  three
Sub dataframe where B is two:A    B
0  foo  two
1  foo  two
2  bar  two

答11:

huntsbot.com – 高效赚钱，自由工作

您也可以使用 .apply：

df.apply(lambda row: row[df['B'].isin(['one','three'])])

它实际上是按行工作的（即，将函数应用于每一行）。

输出是

   A      B  C   D
0  foo    one  0   0
1  bar    one  1   2
3  bar  three  3   6
6  foo    one  6  12
7  foo  three  7  14

结果与@unutbu 提到的使用相同

df[[df['B'].isin(['one','three'])]]

原文链接：https://www.huntsbot.com/qa/KJeA/how-do-i-select-rows-from-a-dataframe-based-on-column-values?lang=zh_CN&from=csdn

huntsbot.com高效搞钱，一站式跟进超10+任务平台外包需求