web-dev-qa-db-ja.com

python pandas?

pandasにデータフレームdfがあり、pandas.read_table csvファイルから。データフレームには複数の列があり、いずれかの列によってインデックスが付けられます(各行には、インデックス作成に使用されるその列の一意の値があるため、一意です)。

複数の列に適用された「複雑な」フィルターに基づいて、データフレームの行を選択するにはどうすればよいですか?たとえば、列colAが10より大きいデータフレームのスライスを簡単に選択できます。

df_greater_than10 = df[df["colA"] > 10]

しかし、次のようなフィルターが必要な場合はどうでしょう。dfのスライスを選択します。ここで、列のanyは10より大きいですか?

または、colAの値は10より大きいが、colBの値は5未満ですか?

これらはパンダにどのように実装されていますか?ありがとう。

37
user248237

メーリングリスト にこれらの質問を投稿することをお勧めしますが、いずれにしても、基になるNumPy配列を操作するのは非常に低レベルの問題です。たとえば、この例では、任意の列の値がたとえば1.5を超える行を選択するには、次のようにします。

In [11]: df
Out[11]: 
            A        B        C        D      
2000-01-03 -0.59885 -0.18141 -0.68828 -0.77572
2000-01-04  0.83935  0.15993  0.95911 -1.12959
2000-01-05  2.80215 -0.10858 -1.62114 -0.20170
2000-01-06  0.71670 -0.26707  1.36029  1.74254
2000-01-07 -0.45749  0.22750  0.46291 -0.58431
2000-01-10 -0.78702  0.44006 -0.36881 -0.13884
2000-01-11  0.79577 -0.09198  0.14119  0.02668
2000-01-12 -0.32297  0.62332  1.93595  0.78024
2000-01-13  1.74683 -1.57738 -0.02134  0.11596
2000-01-14 -0.55613  0.92145 -0.22832  1.56631
2000-01-17 -0.55233 -0.28859 -1.18190 -0.80723
2000-01-18  0.73274  0.24387  0.88146 -0.94490
2000-01-19  0.56644 -0.49321  1.17584 -0.17585
2000-01-20  1.56441  0.62331 -0.26904  0.11952
2000-01-21  0.61834  0.17463 -1.62439  0.99103
2000-01-24  0.86378 -0.68111 -0.15788 -0.16670
2000-01-25 -1.12230 -0.16128  1.20401  1.08945
2000-01-26 -0.63115  0.76077 -0.92795 -2.17118
2000-01-27  1.37620 -1.10618 -0.37411  0.73780
2000-01-28 -1.40276  1.98372  1.47096 -1.38043
2000-01-31  0.54769  0.44100 -0.52775  0.84497
2000-02-01  0.12443  0.32880 -0.71361  1.31778
2000-02-02 -0.28986 -0.63931  0.88333 -2.58943
2000-02-03  0.54408  1.17928 -0.26795 -0.51681
2000-02-04 -0.07068 -1.29168 -0.59877 -1.45639
2000-02-07 -0.65483 -0.29584 -0.02722  0.31270
2000-02-08 -0.18529 -0.18701 -0.59132 -1.15239
2000-02-09 -2.28496  0.36352  1.11596  0.02293
2000-02-10  0.51054  0.97249  1.74501  0.20525
2000-02-11  0.10100  0.27722  0.65843  1.73591

In [12]: df[(df.values > 1.5).any(1)]
Out[12]: 
            A       B       C        D     
2000-01-05  2.8021 -0.1086 -1.62114 -0.2017
2000-01-06  0.7167 -0.2671  1.36029  1.7425
2000-01-12 -0.3230  0.6233  1.93595  0.7802
2000-01-13  1.7468 -1.5774 -0.02134  0.1160
2000-01-14 -0.5561  0.9215 -0.22832  1.5663
2000-01-20  1.5644  0.6233 -0.26904  0.1195
2000-01-28 -1.4028  1.9837  1.47096 -1.3804
2000-02-10  0.5105  0.9725  1.74501  0.2052
2000-02-11  0.1010  0.2772  0.65843  1.7359

&または|(および括弧!)を使用して、複数の条件を組み合わせる必要があります。

In [13]: df[(df['A'] > 1) | (df['B'] < -1)]
Out[13]: 
            A        B       C        D     
2000-01-05  2.80215 -0.1086 -1.62114 -0.2017
2000-01-13  1.74683 -1.5774 -0.02134  0.1160
2000-01-20  1.56441  0.6233 -0.26904  0.1195
2000-01-27  1.37620 -1.1062 -0.37411  0.7378
2000-02-04 -0.07068 -1.2917 -0.59877 -1.4564

私はこれらの種類のものをより簡単にするためにある種のクエリAPIを持っていることに非常に興味があります

44
Wes McKinney

Pandasでこの構文を短縮する方法は少なくともいくつかあります。これは、完全なクエリAPIを入手するまでです(おそらく、githubプロジェクトに参加してこれを実行しようとしますが、これは時間の許す限りであり、他の誰も持っていない場合)開始しました)。

構文を少し短くする1つの方法を以下に示します。

inds = df.apply(lambda x: x["A"]>10 and x["B"]<5, axis=1) 
print df[inds].to_string()

これを完全に解決するには、SQLのselectやwhere句などをPandasに構築する必要があります。これはささいなことではありませんが、Python operator組み込みモジュールを使用することでうまくいくと思います。これにより、シンボルの代わりに関数として-したがって、次のようにすることができます。

def pandas_select(dataframe, select_dict):

    inds = dataframe.apply(lambda x: reduce(lambda v1,v2: v1 and v2, 
                           [elem[0](x[key], elem[1]) 
                           for key,elem in select_dict.iteritems()]), axis=1)
    return dataframe[inds]

次に、あなたのようなテスト例は次のことです:

import operator
select_dict = {
               "A":(operator.gt,10),
               "B":(operator.lt,5)                  
              }

print pandas_select(df, select_dict).to_string()

pandas_selectの引数を増やして、さまざまな一般的な論理演算子を自動的に処理するか、短い名前で名前空間にインポートすることで、構文をさらに短縮できます。

上記のpandas_select関数は、制約の論理ANDチェーンでのみ機能することに注意してください。別の論理的な動作を得るには、それを変更する必要があります。または、notとDeMorganの法則を使用します。

5
ely

Pandasにクエリ機能が追加されました。これは、この質問が尋ねられて回答されたためです。以下に例を示します。

このサンプルデータフレームを考えると:

periods = 8
dates = pd.date_range('20170101', periods=periods)
Rand_df = pd.DataFrame(np.random.randn(periods,4), index=dates, 
      columns=list('ABCD'))

次のクエリ構文では、selectステートメントの "WHERE"句のように、複数のフィルターを使用できます。

Rand_df.query("A < 0 or B < 0")

詳細は Pandasのドキュメント を参照してください。

2
M. K. Hunter