판다의 복잡한 기준으로 선정.데이터 프레임

판다의 복잡한 기준으로 선정.데이터 프레임

예를 들어 간단한 DF가 있습니다.

import pandas as pd
from random import randint

df = pd.DataFrame({'A': [randint(1, 9) for x in range(10)],
                   'B': [randint(1, 9)*10 for x in range(10)],
                   'C': [randint(1, 9)*100 for x in range(10)]})

팬더의 방법 및 관용구를 사용하여 'B'에 해당하는 값이 50 이상, 'C'에 해당하는 값이 900 이하인 값을 'A'에서 선택할 수 있습니까?

네! 셋업:

>>> import pandas as pd
>>> from random import randint
>>> df = pd.DataFrame({'A': [randint(1, 9) for x in range(10)],
                   'B': [randint(1, 9)*10 for x in range(10)],
                   'C': [randint(1, 9)*100 for x in range(10)]})
>>> df
   A   B    C
0  9  40  300
1  9  70  700
2  5  70  900
3  8  80  900
4  7  50  200
5  9  30  900
6  2  80  700
7  2  80  400
8  5  80  300
9  7  70  800

열 연산을 적용하여 부울 시리즈 개체를 가져올 수 있습니다.

>>> df["B"] > 50
0    False
1     True
2     True
3     True
4    False
5    False
6     True
7     True
8     True
9     True
Name: B
>>> (df["B"] > 50) & (df["C"] == 900)
0    False
1    False
2     True
3     True
4    False
5    False
6    False
7    False
8    False
9    False

[업데이트, 새로운 스타일로 전환].loc]:

그리고 이것들을 사용하여 오브젝트에 인덱스를 붙일 수 있습니다.읽기 액세스의 경우 인덱스를 체인할 수 있습니다.

>>> df["A"][(df["B"] > 50) & (df["C"] == 900)]
2    5
3    8
Name: A, dtype: int64

그러나 보기와 복사본의 차이로 인해 쓰기 액세스에 문제가 발생할 수 있습니다.사용할 수 있습니다..loc대신:

>>> df.loc[(df["B"] > 50) & (df["C"] == 900), "A"]
2    5
3    8
Name: A, dtype: int64
>>> df.loc[(df["B"] > 50) & (df["C"] == 900), "A"].values
array([5, 8], dtype=int64)
>>> df.loc[(df["B"] > 50) & (df["C"] == 900), "A"] *= 1000
>>> df
      A   B    C
0     9  40  300
1     9  70  700
2  5000  70  900
3  8000  80  900
4     7  50  200
5     9  30  900
6     2  80  700
7     2  80  400
8     5  80  300
9     7  70  800

실수로 입력했다는 점에 주의해 주세요.== 900가 아니라!= 900, 또는~(df["C"] == 900)하지만 고치기가 너무 귀찮아독자를 위한 운동.:^)

또 다른 해결책은 쿼리 방법을 사용하는 것입니다.

import pandas as pd

from random import randint
df = pd.DataFrame({'A': [randint(1, 9) for x in xrange(10)],
                   'B': [randint(1, 9) * 10 for x in xrange(10)],
                   'C': [randint(1, 9) * 100 for x in xrange(10)]})
print df

   A   B    C
0  7  20  300
1  7  80  700
2  4  90  100
3  4  30  900
4  7  80  200
5  7  60  800
6  3  80  900
7  9  40  100
8  6  40  100
9  3  10  600

print df.query('B > 50 and C != 900')

   A   B    C
1  7  80  700
2  4  90  100
4  7  80  200
5  7  60  800

A열에서 반환된 값을 변경하려면 인덱스를 저장할 수 있습니다.

my_query_index = df.query('B > 50 & C != 900').index

....및 사용.iloc변경할 수 있습니다.

df.iloc[my_query_index, 0] = 5000

print df

      A   B    C
0     7  20  300
1  5000  80  700
2  5000  90  100
3     4  30  900
4  5000  80  200
5  5000  60  800
6     3  80  900
7     9  40  100
8     6  40  100
9     3  10  600

그리고 괄호를 사용하는 것을 잊지 마세요!

주의해 주세요&연산자는 다음과 같은 연산자보다 우선합니다.>또는<기타. 그렇기 때문에

4 < 5 & 6 > 4

까지 평가하다.False. 따라서, 만약 당신이 그것을 사용하고 있다면pd.loc논리문에 괄호를 둘 필요가 있습니다.그렇지 않으면 오류가 발생합니다.그 때문에, 다음과 같이 합니다.

df.loc[(df['A'] > 10) & (df['B'] < 15)]

대신

df.loc[df['A'] > 10 & df['B'] < 15]

그 결과적으로는

TypeError: dtyped [float64] 어레이를 [bool]타입의 스칼라와 비교할 수 없습니다.

팬더를 이용하실 수 있습니다.비교 기능이 내장되어 있습니다.따라서 "B" 및 "C" 조건에 부합하는 "A" 값을 선택하려는 경우(DataFrame 팬더 개체를 반환해야 한다고 가정함)

df[['A']][df.B.gt(50) & df.C.ne(900)]

df[['A']]는 DataFrame 형식의 컬럼A를 표시합니다.

팬더gt함수는 50보다 큰 열 B의 위치를 반환합니다.ne900과 같지 않은 위치가 반환됩니다.

각 조건을 변수에 할당하고, 특히 변수가 많은 경우(아마도 설명적인 이름을 사용하여), (와 같은 비트 연산자를 사용하여 결합하는 것이 더 읽기 쉬울 수 있습니다.&또는|) 보너스로 브래킷은 신경 쓰지 않아도 됩니다.()각 조건이 독립적으로 평가되기 때문입니다.

m1 = df['B'] > 50
m2 = df['C'] != 900
m3 = df['C'].pow(2) > 1000
m4 = df['B'].mul(4).between(50, 500)

# filter rows where all of the conditions are True
df[m1 & m2 & m3 & m4]

# filter rows of column A where all of the conditions are True
df.loc[m1 & m2 & m3 & m4, 'A']

또는 조건을 목록에 넣은 후 이를 통해 줄일 수 있습니다.bitwise_and부터numpy(을 요구하다&).

conditions = [
    df['B'] > 50,
    df['C'] != 900,
    df['C'].pow(2) > 1000,
    df['B'].mul(4).between(50, 500)
]
# filter rows of A where all of conditions are True
df.loc[np.bitwise_and.reduce(conditions), 'A']

언급URL : https://stackoverflow.com/questions/15315452/selecting-with-complex-criteria-from-pandas-dataframe