给定一个包含“BoolCol”列的DataFrame，我们希望找到其中“BoolCol”值== True的DataFrame的索引
我目前有迭代的方式来做到这一点，这是完美的:
for i in range(100,3000):
if df.iloc[i]['BoolCol']== True:
print i,df.iloc[i]['BoolCol']
但这不是熊猫的正确做法。经过一些研究，我目前正在使用以下代码:
df[df['BoolCol'] == True].index.tolist()
这一个给了我一个索引列表，但它们不匹配，当我检查它们时，我这样做:
df.iloc[i]['BoolCol']
结果实际上是假的!!
熊猫的正确做法是什么?
当前回答
我扩展了这个问题，即如何获得行，列和值的所有匹配值?
下面是解决方案:
import pandas as pd
import numpy as np
def search_coordinate(df_data: pd.DataFrame, search_set: set) -> list:
nda_values = df_data.values
tuple_index = np.where(np.isin(nda_values, [e for e in search_set]))
return [(row, col, nda_values[row][col]) for row, col in zip(tuple_index[0], tuple_index[1])]
if __name__ == '__main__':
test_datas = [['cat', 'dog', ''],
['goldfish', '', 'kitten'],
['Puppy', 'hamster', 'mouse']
]
df_data = pd.DataFrame(test_datas)
print(df_data)
result_list = search_coordinate(df_data, {'dog', 'Puppy'})
print(f"\n\n{'row':<4} {'col':<4} {'name':>10}")
[print(f"{row:<4} {col:<4} {name:>10}") for row, col, name in result_list]
输出:
0 1 2
0 cat dog
1 goldfish kitten
2 Puppy hamster mouse
row col name
0 1 dog
2 0 Puppy
其他回答
可以使用numpy where()函数完成:
import pandas as pd
import numpy as np
In [716]: df = pd.DataFrame({"gene_name": ['SLC45A1', 'NECAP2', 'CLIC4', 'ADC', 'AGBL4'] , "BoolCol": [False, True, False, True, True] },
index=list("abcde"))
In [717]: df
Out[717]:
BoolCol gene_name
a False SLC45A1
b True NECAP2
c False CLIC4
d True ADC
e True AGBL4
In [718]: np.where(df["BoolCol"] == True)
Out[718]: (array([1, 3, 4]),)
In [719]: select_indices = list(np.where(df["BoolCol"] == True)[0])
In [720]: df.iloc[select_indices]
Out[720]:
BoolCol gene_name
b True NECAP2
d True ADC
e True AGBL4
虽然你并不总是需要index来匹配，但如果你需要:
In [796]: df.iloc[select_indices].index
Out[796]: Index([u'b', u'd', u'e'], dtype='object')
In [797]: df.iloc[select_indices].index.tolist()
Out[797]: ['b', 'd', 'e']
另一种方法是使用pipe()对BoolCol的索引进行管道索引。就性能而言，它与使用[].1的规范索引一样高效
df['BoolCol'].pipe(lambda x: x.index[x])
如果BoolCol实际上是多个比较的结果，并且您希望使用方法链接将所有方法放在一个管道中，这尤其有用。
例如，如果你想获得NumCol值大于0.5、BoolCol值为True且NumCol值和BoolCol值的乘积大于0的行索引，你可以通过eval()对表达式求值并对结果调用pipe()来执行索引
df.eval("NumCol > 0.5 and BoolCol and NumCol * BoolCol >0").pipe(lambda x: x.index[x])
1:下面的基准测试使用了一个有20mil行的数据帧(平均过滤了一半的行)，并检索了它们的索引。与其他有效的选项相比，通过pipe()进行链接的方法做得非常好。
n = 20_000_000
df = pd.DataFrame({'NumCol': np.random.rand(n).astype('float16'),
'BoolCol': np.random.default_rng().choice([True, False], size=n)})
%timeit df.index[df['BoolCol']]
# 181 ms ± 2.47 ms per loop (mean ± std. dev. of 10 runs, 1000 loops each)
%timeit df['BoolCol'].pipe(lambda x: x.index[x])
# 181 ms ± 1.08 ms per loop (mean ± std. dev. of 10 runs, 1000 loops each)
%timeit df['BoolCol'].loc[lambda x: x].index
# 297 ms ± 7.15 ms per loop (mean ± std. dev. of 10 runs, 1000 loops each)
2:对于一个20 mil的行数据帧，以与1)相同的方式构建基准，你会发现这里提出的方法是最快的选择。它比位操作符链执行得更好，因为根据设计，eval()在一个大数据帧上执行多个操作的速度比向量化的Python操作快，而且它比query()更节省内存，因为与query()不同，eval().pipe(…)不需要创建一个切片数据帧的副本来获得它的索引。
我扩展了这个问题，即如何获得行，列和值的所有匹配值?
下面是解决方案:
import pandas as pd
import numpy as np
def search_coordinate(df_data: pd.DataFrame, search_set: set) -> list:
nda_values = df_data.values
tuple_index = np.where(np.isin(nda_values, [e for e in search_set]))
return [(row, col, nda_values[row][col]) for row, col in zip(tuple_index[0], tuple_index[1])]
if __name__ == '__main__':
test_datas = [['cat', 'dog', ''],
['goldfish', '', 'kitten'],
['Puppy', 'hamster', 'mouse']
]
df_data = pd.DataFrame(test_datas)
print(df_data)
result_list = search_coordinate(df_data, {'dog', 'Puppy'})
print(f"\n\n{'row':<4} {'col':<4} {'name':>10}")
[print(f"{row:<4} {col:<4} {name:>10}") for row, col, name in result_list]
输出:
0 1 2
0 cat dog
1 goldfish kitten
2 Puppy hamster mouse
row col name
0 1 dog
2 0 Puppy
对于我们感兴趣的已知候选索引，不检查整个列的更快方法可以这样做:
np.array(index_slice)[np.where(df.loc[index_slice]['column_name'] >= threshold)[0]]
完整的比较:
import pandas as pd
import numpy as np
index_slice = list(range(50,150)) # know index location for our inteterest
data = np.zeros(10000)
data[(index_slice)] = np.random.random(len(index_slice))
df = pd.DataFrame(
{'column_name': data},
)
threshold = 0.5
%%timeit
np.array(index_slice)[np.where(df.loc[index_slice]['column_name'] >= threshold)[0]]
# 600 µs ± 1.21 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
%%timeit
[i for i in index_slice if i in df.index[df['column_name'] >= threshold].tolist()]
# 22.5 ms ± 29.1 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
它的工作方式是这样的:
# generate Boolean satisfy condition only in sliced column
df.loc[index_slice]['column_name'] >= threshold
# convert Boolean to index, but start from 0 and increment by 1
np.where(...)[0]
# list of index to be sliced
np.array(index_slice)[...]
注意: 需要注意的是，np.array(index_slice)不能被df代替。由于np.where(…)[0]索引从0开始，并增加1，但你可以做一些像df.index[index_slice]。我认为这是不值得的如果你只是用少量的行做一次。
如果你只想使用你的dataframe对象一次，使用:
df['BoolCol'].loc[lambda x: x==True].index
