에서 대부분의 작업 pandas운영자 체인 (함께 수행 할 수 있습니다 groupby, aggregate, apply, 등),하지만 난 필터 행을 찾은 유일한 방법은 일반 브라켓 색인을 통해입니다
df_filtered = df[df['column'] == value]df변수 값을 필터링하기 전에 변수를 할당해야하므로이 방법이 적합하지 않습니다 . 다음과 같은 것이 더 있습니까?
df_filtered = df.mask(lambda x: x['column'] == value)답변
나는 당신이 원하는 것을 완전히 확신하지 못하고, 마지막 코드 줄도 도움이되지 않지만 어쨌든 :
“체인”필터링은 부울 인덱스의 기준을 “체인”하여 수행됩니다.
In [96]: df
Out[96]:
A B C D
a 1 4 9 1
b 4 5 0 2
c 5 5 1 0
d 1 3 9 6
In [99]: df[(df.A == 1) & (df.D == 6)]
Out[99]:
A B C D
d 1 3 9 6메소드를 연결하려면 고유 한 마스크 메소드를 추가하고 사용할 수 있습니다.
In [90]: def mask(df, key, value):
....: return df[df[key] == value]
....:
In [92]: pandas.DataFrame.mask = mask
In [93]: df = pandas.DataFrame(np.random.randint(0, 10, (4,4)), index=list('abcd'), columns=list('ABCD'))
In [95]: df.ix['d','A'] = df.ix['a', 'A']
In [96]: df
Out[96]:
A B C D
a 1 4 9 1
b 4 5 0 2
c 5 5 1 0
d 1 3 9 6
In [97]: df.mask('A', 1)
Out[97]:
A B C D
a 1 4 9 1
d 1 3 9 6
In [98]: df.mask('A', 1).mask('D', 6)
Out[98]:
A B C D
d 1 3 9 6답변
팬더 쿼리를 사용하여 필터를 연결할 수 있습니다 .
df = pd.DataFrame(np.random.randn(30, 3), columns=['a','b','c'])
df_filtered = df.query('a > 0').query('0 < b < 2')단일 쿼리로 필터를 결합 할 수도 있습니다.
df_filtered = df.query('a > 0 and 0 < b < 2')답변
@lodagro의 답변은 훌륭합니다. 마스크 기능을 다음과 같이 일반화하여 확장합니다.
def mask(df, f):
return df[f(df)]그런 다음 다음과 같은 작업을 수행 할 수 있습니다.
df.mask(lambda x: x[0] < 0).mask(lambda x: x[1] > 0)답변
이후 버전 0.18.1.loc 방법은 선택을위한 호출 수락. 람다 함수와 함께 매우 유연한 체인 가능 필터를 만들 수 있습니다.
import numpy as np
import pandas as pd
df = pd.DataFrame(np.random.randint(0,100,size=(100, 4)), columns=list('ABCD'))
df.loc[lambda df: df.A == 80] # equivalent to df[df.A == 80] but chainable
df.sort_values('A').loc[lambda df: df.A > 80].loc[lambda df: df.B > df.A]필터링 만하는 경우을 생략 할 수도 있습니다 .loc.
답변
추가 예를 위해 이것을 제공합니다. 이것은 https://stackoverflow.com/a/28159296/ 과 같은 대답입니다.
이 게시물을 더 유용하게하기 위해 다른 수정 사항을 추가하겠습니다.
pandas.DataFrame.query
query정확히이 목적을 위해 만들어졌습니다. 데이터 프레임 고려df
import pandas as pd
import numpy as np
np.random.seed([3,1415])
df = pd.DataFrame(
np.random.randint(10, size=(10, 5)),
columns=list('ABCDE')
)
df
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 5query모든 행을 필터링 하는 데 사용합시다 .D > B
df.query('D > B')
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
7 6 2 6 6 5우리는 체인
df.query('D > B').query('C > B')
# equivalent to
# df.query('D > B and C > B')
# but defeats the purpose of demonstrating chaining
A B C D E
0 0 2 7 3 8
1 7 0 6 8 6
4 3 6 7 7 4
5 5 3 7 5 9
7 6 2 6 6 5답변
기준을 OR 조건으로 결합하려는 것을 제외하고는 동일한 질문이있었습니다. Wouter Overmeire가 제공 한 형식은 기준을 AND 조건으로 결합하여 두 조건을 모두 충족해야합니다.
In [96]: df
Out[96]:
A B C D
a 1 4 9 1
b 4 5 0 2
c 5 5 1 0
d 1 3 9 6
In [99]: df[(df.A == 1) & (df.D == 6)]
Out[99]:
A B C D
d 1 3 9 6그러나 각 조건을 래핑 (... == True)하고 파이프와 조건을 결합하면 조건이 OR 조건으로 결합되어 조건이 충족 될 때마다 충족됩니다.
df[((df.A==1) == True) | ((df.D==6) == True)]답변
팬더는 Wouter Overmeire의 답변에 두 가지 대안을 제공하며 재정의가 필요하지 않습니다. 하나는 .loc[.]호출 가능
df_filtered = df.loc[lambda x: x['column'] == value]다른 쪽 .pipe(), 마찬가지로
df_filtered = df.pipe(lambda x: x['column'] == value)