Ik heb bijvoorbeeld een eenvoudige DF:
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)]})
Kan ik waarden selecteren van ‘A’ waarvoor overeenkomstige waarden voor ‘B’ groter zijn dan 50, en voor ‘C’ – niet gelijk 900, met behulp van methoden en idioma van Panda’s?
Antwoord 1, Autoriteit 100%
Natuurlijk! SETUP:
>>> 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
Wij kunnen kolombewerkingen toepassen en Boolean Series-objecten krijgen:
>>> 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
[Update, om over te schakelen naar nieuwe stijl .loc
]:
En dan kunnen we deze gebruiken om in het object te indexeren. Voor leestoegang kunt u indices ketenen:
>>> df["A"][(df["B"] > 50) & (df["C"] == 900)]
2 5
3 8
Name: A, dtype: int64
maar je kunt jezelf in de problemen brengen vanwege het verschil tussen een weergave en een kopie die dit doet voor schrijftoegang. U kunt in plaats daarvan .loc
gebruiken:
>>> 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
Merk op dat ik per ongeluk == 900
heb getypt en niet != 900
, of ~(df["C"] == 900)
, maar ik ben te lui om het op te lossen. Oefening voor de lezer. :^)
Antwoord 2, autoriteit 15%
Een andere oplossing is het gebruik van de querymethode:
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
Als u nu de geretourneerde waarden in kolom A wilt wijzigen, kunt u hun index opslaan:
my_query_index = df.query('B > 50 & C != 900').index
….en gebruik .iloc
om ze te wijzigen, bijvoorbeeld:
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
Antwoord 3, autoriteit 6%
En vergeet niet om haakjes te gebruiken!
Houd er rekening mee dat de operator &
voorrang heeft op operatoren zoals >
of <
enz. Daarom
4 < 5 & 6 > 4
evalueert tot False
. Daarom moet je, als je pd.loc
gebruikt, haakjes om je logische uitspraken zetten, anders krijg je een foutmelding. Doe daarom:
df.loc[(df['A'] > 10) & (df['B'] < 15)]
in plaats van
df.loc[df['A'] > 10 & df['B'] < 15]
wat zou resulteren in
TypeError: kan een dtyped [float64] array niet vergelijken met een scalaire waarde van het type [bool]
Antwoord 4, autoriteit 2%
Je kunt panda’s gebruiken, het heeft een aantal ingebouwde functies ter vergelijking. Dus als u waarden van “A” wilt selecteren waaraan wordt voldaan door de voorwaarden van “B” en “C” (ervan uitgaande dat u een DataFrame panda-object terug wilt)
df[['A']][df.B.gt(50) & df.C.ne(900)]
df[['A']]
geeft u terug kolom A in dataframe-indeling.
Panda’s ‘GT’-functie retourneert de posities van kolom B die groter zijn dan 50 en’ NE ‘zal de posities retourneren die niet gelijk zijn aan 900.