Python 使用pandas.DataFrame中的复杂条件进行选择

例如，我有简单的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)]})

我可以使用Pandas的方法和习惯用法从“A”中选择相应的值，其中“B”的对应值大于50，而“C”的对应值不等于900吗？

当然！设置：

>>> 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

我们可以应用列操作并获取布尔系列对象：

>>> 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

[更新，切换到新样式

.loc

]：

然后我们可以用这些索引到对象中。对于读取访问，您可以链接索引：

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

但是，由于视图和副本之间的差异，您可能会遇到麻烦，因为这样做是为了进行写访问。您可以改用

.loc

：

>>> 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

---

请注意，我无意中键入了

==900

，而不是

！=900

，或

~（df[“C”]==900）

，但我太懒了，无法修复它。读者练习：^）

另一个解决方案是使用以下方法：

现在，如果要更改A列中的返回值，可以保存它们的索引：

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

..并使用

.iloc

对其进行更改，即：

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

---

您可以使用pandas，因为它有一些内置函数用于比较。因此，如果您想要选择满足“B”和“C”条件的“A”值（假设您想要返回数据帧对象）

df['A'][df.B.gt（50）和df.C.ne（900）]

df[['A']]

将以数据帧格式返回列A

---

“gt”函数将返回B列大于50的位置，“ne”将返回不等于900的位置。

记住使用括号

请记住，

&

运算符优先于

或

10和df['B']<15]

这将导致

TypeError:无法将dtyped[float64]数组与[bool]类型的标量进行比较

---

关于

.loc

更新-如果您澄清我们从何处获取副本以及从何处获取视图，这将是一件好事。是否可以过滤pandas数据帧并使用OR运算符。例如，如果有一列month，您是否可以说df=data['month'==JAN或'month'==FEB]？可能还包括第二列，使查询更加复杂，newdf，其中col_month=jan或feb，col_day=MONDAY或WENDNESDAY@yoshiserry：请作为单独的问题提问。没有人会在对旧答案的评论中看到它。别忘了括号-你会得到一些奇怪的错误，比如

{TypeError}无法将数据类型的[int64]数组与[bool]类型的标量进行比较。

使用括号不是会导致整个系列的计算吗？如果我们想重复子集以提高效率，该怎么办？

df.query

和

pd.eval

似乎非常适合这个用例。有关

pd.eval（）

函数系列及其特性和用例的信息，请访问。不妨查看@Gecko的答案：将每个条件都用括号括起来非常重要！我有一个嵌套的条件，其中一个条件没有被包装，导致了一段时间的错误，直到我看到这篇文章。谢谢

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

4 < 5 & 6 > 4

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

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