作者|Amanda Iglesias Moreno 編譯|VK 來源|Towards Datas Science

從數(shù)據(jù)幀中過濾數(shù)據(jù)是清理數(shù)據(jù)時最常見的操作之一。Pandas提供了一系列根據(jù)行和列的位置和標簽選擇數(shù)據(jù)的方法。此外，Pandas還允許你根據(jù)列類型獲取數(shù)據(jù)子集，并使用布爾索引篩選行。

在本文中，我們將介紹從Pandas數(shù)據(jù)框中選擇數(shù)據(jù)子集的最常見操作：

• 按標簽選擇單列
• 按標簽選擇多列
• 按數(shù)據(jù)類型選擇列
• 按標簽選擇一行
• 按標簽選擇多行
• 按位置選擇一行
• 按位置選擇多行
• 同時選擇行和列
• 選擇標量值
• 使用布爾選擇選擇選擇行

數(shù)據(jù)集

在本文中，我們使用一個小數(shù)據(jù)集進行學(xué)習(xí)。在現(xiàn)實世界中，所使用的數(shù)據(jù)集要大得多；然而，用于過濾數(shù)據(jù)的過程保持不變。

數(shù)據(jù)框包含公司10名員工的信息：(1)身份證，(2)姓名，(3)姓氏，(4)部門，(5)電話，(6)工資，(7)合同類型。

import pandas as pd

# 員工的信息
id_number = ['128', '478', '257', '299', '175', '328', '099', '457', '144', '222']
name = ['Patrick', 'Amanda', 'Antonella', 'Eduard', 'John', 'Alejandra', 'Layton', 'Melanie', 'David', 'Lewis']
surname = ['Miller', 'Torres', 'Brown', 'Iglesias', 'Wright', 'Campos', 'Platt', 'Cavill', 'Lange', 'Bellow']
division = ['Sales', 'IT', 'IT', 'Sales', 'Marketing', 'Engineering', 'Engineering', 'Sales', 'Engineering', 'Sales']
salary = [30000, 54000, 80000, 79000, 15000, 18000, 30000, 35000, 45000, 30500]
telephone = ['7366578', '7366444', '7366120', '7366574', '7366113', '7366117', '7366777', '7366579', '7366441', '7366440']
type_contract = ['permanent', 'temporary', 'temporary', 'permanent', 'internship', 'internship', 'permanent', 'temporary', 'permanent', 'permanent']

# 包含員工信息的dataframe
df_employees = pd.DataFrame({'name': name, 'surname': surname, 'division': division,
               'salary': salary, 'telephone': telephone, 'type_contract': type_contract}, index=id_number)

df_employees

1.按標簽選擇單列

要在Pandas中選擇一個列，我們可以使用.運算符和[]運算符。

按標簽選擇單列

df[string]

下面的代碼使用這兩種方法訪問salary列。

# 使用.符號選擇列(salary)
salary = df_employees.salary

# 使用方括號選擇列(salary)
salary_2 = df_employees['salary']

# 當選擇單個列時，我們獲得一個Series對象
print(type(salary))
# <class 'pandas.core.series.Series'>

print(type(salary_2))
# <class 'pandas.core.series.Series'>

salary

如上所示，當檢索單個列時，結(jié)果是一個Series對象。為了在只選擇一列時獲得一個DataFrame對象，我們需要傳入一個列表，而不僅僅是一個字符串。

# 通過向索引操作符傳遞一個字符串來獲取一個Series對象
df_employees['salary']

# 通過將帶有單個項的列表傳遞給索引操作符來獲取DataFrame對象
df_employees[['salary']]

此外，重要的是要記住，當列名包含空格時，我們不能使用.表示法來訪問數(shù)據(jù)幀的特定列。如果我們這么做了，就會產(chǎn)生一個語法錯誤。

2.按標簽選擇多列

我們可以通過傳入一個列名稱如下的列表來選擇一個數(shù)據(jù)幀的多個列。

按標簽選擇多列

df[list_of_strings]

# 通過將包含列名的列表傳遞給索引操作符來選擇多個列
df_employees[['division', 'salary']]

如上所示，結(jié)果是一個DataFrame對象，只包含列表中提供的列。

3.按數(shù)據(jù)類型選擇列

我們可以使用pandas.DataFrame.select類型(include=None，exclude=None)根據(jù)列的數(shù)據(jù)類型選擇列。該方法接受參數(shù)include和exclude中的列表或單個數(shù)據(jù)類型。

請記住，必須至少提供其中一個參數(shù)(include或exclude)，并且它們不能包含重疊的元素。

按數(shù)據(jù)類型選擇列

df.select_dtypes(include=None, exclude=None)

在下面的示例中，我們通過傳入np.number對象添加到include參數(shù)。或者，我們可以通過提供字符串'number'作為輸入來獲得相同的結(jié)果。

可以看到，select_dtypes()方法返回一個DataFrame對象，該對象包括include參數(shù)中的數(shù)據(jù)類型，而排除exclude參數(shù)中的數(shù)據(jù)類型。

import numpy as np

# 選擇數(shù)值列- numpy對象
numeric_inputs = df_employees.select_dtypes(include=np.number)

# 使用.columns屬性
numeric_inputs.columns
# Index(['salary'], dtype='object')

# 該方法返回一個DataFrame對象
print(type(numeric_inputs))
# <class 'pandas.core.frame.DataFrame'>

# 選擇數(shù)字列
numeric_inputs_2 = df_employees.select_dtypes(include='number')

# 使用.columns屬性
numeric_inputs_2.columns
# Index(['salary'], dtype='object')

# 該方法返回一個DataFrame對象
print(type(numeric_inputs_2))
# <class 'pandas.core.frame.DataFrame'>

# 可視化數(shù)據(jù)框
numeric_inputs

如前所述，select_dtypes()方法可以同時接受字符串和numpy對象作為輸入。下表顯示了在Pandas中引用數(shù)據(jù)類型的最常用方法。

作為提醒，我們可以使用pandas.DataFrame.info方法或使用pandas.DataFrame.dtypes屬性。前者打印數(shù)據(jù)幀的簡明摘要，包括列名及其數(shù)據(jù)類型，而后者返回一個包含每個列的數(shù)據(jù)類型的序列。

# 數(shù)據(jù)框架的簡要摘要，包括列名及其數(shù)據(jù)類型
df_employees.info()

# 檢查列的數(shù)據(jù)類型
df_employees.dtypes

4.按標簽選擇單行

數(shù)據(jù)幀和序列不一定有數(shù)字索引。默認情況下，索引是表示行位置的整數(shù)；但是，它也可以是字母數(shù)字字符串。在我們當前的示例中，索引是員工的id號。

# 我們可以使用.index方法檢查數(shù)據(jù)幀的索引
df_employees.index
# Index(['128', '478', '257', '299', '175', '328', '099', '457', '144', '222'], dtype='object')
# 索引是雇員的id號。

要按id號選擇一行，我們可以使用.loc[]索引器提供一個字符串(索引名)作為輸入。

按標簽選擇單行

df.loc[string]

下面的代碼顯示如何選擇id號為478的員工。

# 使用.loc[]索引器選擇id號為478的員工
df_employees.loc['478']

如上所示，當選中一行時，.loc[]索引器將返回一個Series對象。但是，我們也可以通過將單個元素列表傳遞給.loc[]方法來獲得單行數(shù)據(jù)幀，如下所示。

# 使用.loc[]索引器選擇id號為478的雇員，并提供一個單元素列表
df_employees.loc[['478']]

5.按標簽選擇多行

我們可以使用.loc[]索引器選擇多行。除單個標簽外，索引器還接受一個列表或標簽片段作為輸入。

按標簽選擇多行

df.loc[list_of_strings]
df.loc[slice_of_strings]

接下來，我們獲得包含id號為478和222的雇員的數(shù)據(jù)幀的子集，如下所示。

# 使用.loc[]索引器選擇id號為478和222的員工
df_employees.loc[['478', '222']]

請注意，始終包含.loc[]方法的結(jié)束索引，這意味著所選內(nèi)容包括最后一個標簽。

6.按位置選擇單行

iloc[]索引器用于按位置索引數(shù)據(jù)幀。要使用.iloc[]屬性選擇單行，我們將行位置(單個整數(shù))傳遞給索引器。

按位置選擇單行

df.iloc[integer]

在下面的代碼塊中，我們選擇索引為0的行。在這種情況下，返回數(shù)據(jù)幀的第一行，因為在Pandas中索引從0開始。

# 選擇數(shù)據(jù)幀的第一行
df_employees.iloc[0]

此外，.iloc[]索引器還支持負整數(shù)(從-1開始)作為相對于數(shù)據(jù)幀末尾的相對位置。

# 選擇數(shù)據(jù)幀的最后一行
df_employees.iloc[-1]

如上所示，當選擇一行時，.iloc[]索引器返回一個以列名作為索引的Series對象。但是，正如我們對.loc[]索引器所做的那樣，我們還可以通過以下方式將單個整數(shù)列表傳遞給索引器來獲取數(shù)據(jù)幀。

# 選擇數(shù)據(jù)幀的最后一行
df_employees.iloc[[-1]]

最后，請記住，在嘗試訪問超出邊界的索引時會引發(fā)索引器錯誤。

# 數(shù)據(jù)框的形狀- 10行6列
df_employees.shape
# (10, 6)

# 當試圖訪問一個越界的索引時，會引發(fā)一個IndexError
df_employees.iloc[10]
# IndexError

7.通過多個位置選擇

為了按位置提取多行，我們將list或slice對象傳遞給.iloc[]索引器。

按位置選擇多行

df.iloc[list_of_integers]
df.iloc[slice_of_integers]

下面的代碼塊演示如何使用整數(shù)列表選擇數(shù)據(jù)幀的前五行。

# 使用列表選擇dataframe的前5行
df_employees.iloc[[0, 1, 2, 3, 4]]v

或者，我們可以使用切片表示法得到相同的結(jié)果。

# 使用切片選擇dataframe的前5行
df_employees.iloc[0:5]

如上所示，Python切片規(guī)則(半開區(qū)間)適用于.iloc[]屬性，這意味著包含第一個索引，但不包括結(jié)束索引。

8.同時選擇行和列

到目前為止，我們已經(jīng)學(xué)習(xí)了如何使用.loc[]和.iloc[]索引器按標簽或位置選擇數(shù)據(jù)幀中的行。但是，這兩個索引器不僅能夠同時選擇行，還可以同時選擇行和列。

為此，我們必須提供用逗號分隔的行和列標簽/位置，如下所示：

同時選擇行和列

df.loc[row_labels, column_labels]
df.iloc[row_positions, column_positions]

其中行標簽和列標簽可以是單個字符串、字符串列表或字符串片段。同樣，行位置和列位置可以是單個整數(shù)、整數(shù)列表或整數(shù)切片。

下面的示例演示如何使用.loc[]和.iloc[]索引器同時提取行和列。

選擇標量值

我們選擇id為478的員工的工資，方法如下。

# 按位置選擇身份證號為478的員工的工資
df_employees.iloc[1, 3]

# 根據(jù)標簽選擇id號為478的員工的工資
df_employees.loc['478', 'salary']
# 54000

在本例中，兩個索引器的輸出都是整數(shù)。

選擇單行和多列

我們選擇id號為478的員工的姓名、姓氏和薪水，方法是將一個值作為第一個參數(shù)，將一個值列表作為第二個參數(shù)，從而獲得一個Series對象。

# 按職位選擇身份證號為478的員工的姓名、姓氏和工資
df_employees.iloc[1, [0, 1, 3]]

# 通過標簽選擇身份證號為478的員工的姓名、姓氏和工資
df_employees.loc['478', ['name', 'surname', 'salary']]

選擇不相交的行和列

要選擇多行和多列，我們需要向兩個索引器傳遞兩個值列表。下面的代碼顯示如何提取id號為478和222的員工的姓名、姓氏和工資。

# 按職位選擇身份證號為478和222的員工的姓名、姓氏和工資
df_employees.iloc[[1, 9], [0, 1, 3]]

# 根據(jù)標簽選擇身份證號為478和222的員工的姓名、姓氏和工資
df_employees.loc[['478', '222'], ['name', 'surname', 'salary']]

與以前不同，這兩個索引器的輸出都是一個DataFrame對象。

選擇連續(xù)的行和列

我們可以使用切片表示法提取數(shù)據(jù)幀的連續(xù)行和列。下面的代碼片段顯示如何選擇id號為128、478、257和299的員工的姓名、姓氏和薪水。

# 按職位選擇id號為128、478、257、299的員工的姓名、姓氏和工資
df_employees.iloc[:4, [0, 1, 3]]

# 按標簽選擇id號為128、478、257、299的員工的姓名、姓氏和工資
df_employees.loc[:'299', ['name', 'surname', 'salary']]

如上所示，我們只使用切片表示法來提取數(shù)據(jù)幀的行，因為我們要選擇的id號是連續(xù)的(索引從0到3)。

一定要記住.loc[]索引器使用一個閉合的間隔，同時提取開始標簽和停止標簽。相反，.iloc[]索引器使用半開區(qū)間，因此不包括停止索引處的值。

9.使用.at[]和.iat[]索引器選擇標量值

如上所述，我們可以通過將兩個用逗號分隔的字符串/整數(shù)傳遞給.loc[]和.iloc[]索引器來選擇標量值。此外，Pandas還提供了兩個優(yōu)化函數(shù)來從數(shù)據(jù)幀對象中提取標量值：.at[]和.iat[]運算符。前者通過標簽提取單個值，而后者通過位置訪問單個值。

通過標簽和位置選擇標量值

df.at[string, string]
df.iat[integer, integer]

下面的代碼顯示如何使用.at[]和.iat[]索引器按標簽和位置選擇id號為478的員工的工資。

# 按位置選擇身份證號為478的員工的工資
df_employees.iat[1, 3]

# 根據(jù)標簽選擇id號為478的員工的工資
df_employees.at['478', 'salary']
# 54000

我們可以使用%timeit magic函數(shù)來計算這兩個Python語句的執(zhí)行時間。如下所示，.at[]和.iat[]運算符比.loc[]和.iloc[]索引器快得多。

# loc索引器的執(zhí)行時間
%timeit df_employees.loc['478', 'salary']

# at索引器的執(zhí)行時間
%timeit df_employees.at['478', 'salary']

# iloc索引器的執(zhí)行時間
%timeit df_employees.iloc[1, 3]

# iat索引器的執(zhí)行時間
%timeit df_employees.iat[1, 3]

最后，必須記住，.at[]和.iat[]索引器只能用于訪問單個值，在嘗試選擇數(shù)據(jù)幀的多個元素時會引發(fā)類型錯誤。

# 當嘗試選擇多個元素時，會引發(fā)異常
df_employees.at['478', ['name', 'surname', 'salary']]
# TypeError

10.使用布爾選擇行

到目前為止，我們已經(jīng)根據(jù)標簽和位置過濾了數(shù)據(jù)幀中的行和列?；蛘撸覀円部梢杂貌紶査饕赑andas中選擇一個子集。布爾選擇包括通過為每一行提供布爾值(True或False)來選擇數(shù)據(jù)幀的行。

在大多數(shù)情況下，這個布爾數(shù)組是通過將一個條件應(yīng)用于一個或多個列的值來計算的，該條件的計算結(jié)果為True或False，具體取決于這些值是否滿足條件。但是，也可以使用其他序列、Numpy數(shù)組、列表或Pandas系列手動創(chuàng)建布爾數(shù)組。

然后，布爾值序列放在方括號[]內(nèi)，返回與真值相關(guān)聯(lián)的行。

使用布爾選擇選擇選擇行

df[sequence_of_booleans]

根據(jù)單列值的布爾選擇

根據(jù)單列值過濾數(shù)據(jù)幀的最常見方法是使用比較運算符。

比較運算符計算兩個操作數(shù)(A和b)之間的關(guān)系，并根據(jù)是否滿足條件返回True或False。下表包含Python中可用的比較運算符。

這些比較運算符可用于數(shù)據(jù)幀的單列，以獲得布爾值序列。例如，我們使用大于運算符確定員工的工資是否大于45000，如下所示。

# 工資超過45000的員工
df_employees['salary'] > 45000
1

輸出是一系列布爾函數(shù)，其中工資高于45000為真，低于或等于45000為假。正如你可能注意到的那樣，boolean系列具有與原始數(shù)據(jù)幀相同的索引(id編號)。

可以將此序列傳遞給索引運算符[]，以僅返回結(jié)果為True的行。

# 選擇工資高于45000的員工
df_employees[df_employees['salary'] > 45000]

如上所示，我們獲得了一個數(shù)據(jù)幀對象，其中只包含工資高于45000的員工。

根據(jù)多列值的布爾選擇

之前，我們已經(jīng)根據(jù)一個條件過濾了一個數(shù)據(jù)幀。但是，我們也可以使用邏輯運算符將多個布爾表達式組合在一起。

在Python中，有三個邏輯運算符：and、or和not。但是，這些關(guān)鍵字在Pandas中不可用于組合多個布爾條件。而是使用以下運算符。

下面的代碼展示了如何選擇薪水高于45000的員工，以及有一份永久合同，其中包含兩個布爾表達式和邏輯運算符&。

# 選擇工資高于45000并有長期合同的員工
df_employees[(df_employees['salary'] > 45000) & (df_employees['type_contract'] == 'permanent')]

如你所知，在Python中，比較運算符的優(yōu)先級高于邏輯運算符。但是，它不適用于邏輯運算符優(yōu)先于比較運算符的panda。因此，我們需要將每個布爾表達式包裝在括號中以避免錯誤。

使用Pandas方法的布爾選擇

Pandas提供了一系列返回布爾值序列的內(nèi)置函數(shù)，它是結(jié)合比較運算符和邏輯運算符的更復(fù)雜布爾表達式的一個有吸引力的替代方案。

isin方法

這個pandas.Series.isin方法接受一系列值，并在序列中與列表中的值匹配的位置返回True。

此方法允許我們檢查列中是否存在一個或多個元素，而無需使用邏輯運算符或。下面的代碼顯示如何使用邏輯運算符or和isin方法選擇具有永久或臨時合同的員工。

# 使用邏輯操作符或選擇具有永久或臨時合同的員工
df_employees[(df_employees['type_contract'] == 'temporary') | (df_employees['type_contract'] == 'permanent')]

# 使用isin方法選擇有永久或臨時合同的員工
df_employees[df_employees['type_contract'].isin(['temporary', 'permanent'])]

如你所見，isin方法在檢查同一列中的多個或條件時非常方便。另外，它更快！

# 使用邏輯運算符|執(zhí)行時間
%timeit df_employees[(df_employees['type_contract'] == 'temporary') | (df_employees['type_contract'] == 'permanent')]

# isin方法的執(zhí)行時間
%timeit df_employees[df_employees['type_contract'].isin(['temporary', 'permanent'])]

between方法

這個熊貓系列方法接受兩個用逗號分隔的標量，它們表示一個值范圍的上下邊界，并在該范圍內(nèi)的位置返回True。

以下代碼選擇工資高于或等于30000且小于或等于80000的員工。

# 薪資高于或等于30000，低于或等于80000的員工
df_employees[df_employees['salary'].between(30000, 80000)]

如你所見，這兩個邊界(30000和80000)都包括在內(nèi)。要排除它們，我們必須按以下方式傳遞inclusive=False參數(shù)。

# 薪資在3萬以上，8萬以下的員工
df_employees[df_employees['salary'].between(30000, 80000, inclusive=False)]

正如你可能注意到的，上面的代碼相當于編寫兩個布爾表達式，并使用邏輯運算符and對它們求值。

# 薪資高于或等于30000，低于或等于80000的員工
df_employees[(df_employees['salary']>=30000) & (df_employees['salary']<=80000)]

字符串方法

此外，我們還可以將布爾索引與字符串方法一起使用，只要它們返回布爾值序列。

例如pandas.Series.str.contains方法檢查列的所有元素中是否存在子字符串，并返回一系列布爾值，我們可以將這些布爾值傳遞給索引運算符以篩選數(shù)據(jù)幀。

下面的代碼顯示如何選擇包含57的所有電話號碼。

# 選擇所有包含57的電話號碼
df_employees[df_employees['telephone'].str.contains('57')]

當contains方法計算子字符串是否包含在序列的每個元素中。pandas.Series.str.startswith函數(shù)檢查字符串開頭是否存在子字符串。同樣地pandas.Series.str.endswith測試字符串末尾是否存在子字符串。

以下代碼顯示如何選擇姓名以“A”開頭的員工。

# 選擇名字以“A”開頭的員工
df_employees[df_employees['name'].str.startswith('A')]

摘要

在本文中，我們學(xué)習(xí)從Dataframe中選擇子集。此外，我們還提供了多個使用示例?，F(xiàn)在！現(xiàn)在是時候在清理你自己的數(shù)據(jù)時應(yīng)用這些技術(shù)了！

到此這篇關(guān)于Pandas的數(shù)據(jù)過濾實現(xiàn)的文章就介紹到這了,更多相關(guān)Pandas 數(shù)據(jù)過濾內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論