Seleccionar con criterios complejos de pandas.DataFrame

Resuelto Gill Bates asked hace 11 años • 5 respuestas

Por ejemplo tengo DF simple:

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)]})

¿Puedo seleccionar valores de 'A' para los cuales los valores correspondientes para 'B' serán mayores que 50 y para 'C' no iguales a 900, usando métodos y modismos de Pandas?

Gill Bates avatar Mar 10 '13 03:03 Gill Bates
Aceptado

¡Seguro! Configuración:

>>> 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

Podemos aplicar operaciones de columna y obtener objetos de serie booleanos:

>>> 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)

o

>>> (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

[Actualización, para cambiar al nuevo estilo .loc]:

Y luego podemos usarlos para indexar el objeto. Para acceso de lectura, puede encadenar índices:

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

pero puedes meterte en problemas debido a la diferencia entre una vista y una copia al hacer esto para acceso de escritura. Puedes usar .locen su lugar:

>>> 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
DSM avatar Mar 09 '2013 20:03 DSM

Otra solución es utilizar el método de consulta :

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

Ahora, si desea cambiar los valores devueltos en la columna A, puede guardar su índice:

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

....y utilizar .ilocpara cambiarlos, es decir:

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
Nikos Tavoularis avatar Sep 20 '2017 14:09 Nikos Tavoularis

¡Y recuerda usar paréntesis!

Tenga en cuenta que &el operador tiene prioridad sobre operadores como >o <etc. Es por eso que

4 < 5 & 6 > 4

evalúa a False. Por lo tanto, si está utilizando pd.loc, debe colocar corchetes alrededor de sus declaraciones lógicas; de lo contrario, obtendrá un error. Por eso haz:

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

en lugar de

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

lo que resultaría en

TypeError: no se puede comparar una matriz dtyped [float64] con un escalar de tipo [bool]

Tomasz Bartkowiak avatar Jun 14 '2019 10:06 Tomasz Bartkowiak

Puedes usar pandas, tiene algunas funciones integradas para comparar. Entonces, si desea seleccionar valores de "A" que cumplan con las condiciones de "B" y "C" (suponiendo que desee recuperar un objeto pandas DataFrame)

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

df[['A']]le devolverá la columna A en formato DataFrame.

La función pandas gtdevolverá las posiciones de la columna B que sean mayores que 50 y nedevolverá las posiciones que no sean iguales a 900.

Christopher Matthews avatar Jan 05 '2019 22:01 Christopher Matthews

Puede ser más legible asignar cada condición a una variable, especialmente si hay muchas (tal vez con nombres descriptivos) y encadenarlas usando operadores bit a bit como ( &o |). Como beneficio adicional, no necesita preocuparse por los paréntesis ()porque cada condición se evalúa de forma independiente.

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']

o coloque las condiciones en una lista y redúzcalas mediante bitwise_andfrom numpy(envoltorio para &).

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']
cottontail avatar Jul 22 '2022 01:07 cottontail