Python Pandas Dataframe：使用count函数过滤数据

我有一个pandas dataframe，我想从中创建一个新的dataframe，方法是基于count函数应用一个过滤器，以便只选择那些计数等于指定数字的列

例如，在下面的数据框中：

month_end   Col A       Col B       Col C       Col D
200703      NaN          NaN         NaN         NaN
200704      0.084       0.152       0.142      0.0766
200705      0.124       0.123       0.020       NaN 
200706      NaN         0.191       0.091       0.149   
200707      -0.136      0.047       0.135      -0.127

如果my_变量=4，则df1应仅包含列B和列D以及索引月底

---

我该如何做到这一点？

您可以按照以下思路做一些事情：

df.loc[:,df.notna().sum(0).eq(4)]

    ColB   ColC
0    NaN    NaN
1  0.152  0.142
2  0.123  0.020
3  0.191  0.091
4  0.047  0.135

或者还有

count

，它已经在计数之前删除了重复：

df.loc[:,df.count().eq(4)]

如果要包含日期列，但该列不是索引，请执行以下操作：

ix = df.notna().sum(0).eq(4)
df.loc[:,ix.index[ix].union(['month_end'])]

    ColB   ColC  month_end
0    NaN    NaN     200703
1  0.152  0.142     200704
2  0.123  0.020     200705
3  0.191  0.091     200706
4  0.047  0.135     200707

---

具有for循环的解决方案：

for col in df.columns:
    if (df[col].count() != 4):
        df.drop(col, axis=1)

---

另一个没有循环的解决方案：

s = df.notna().sum(0) == 4     
df = df.loc[:, s]

---

所以我的第一个问题是：你先试过什么吗？Dataframes有一个

count

方法，该方法将为您提供一个系列，其中索引是列的名称，值是该列中非空结果的数量。您可以添加一个运行示例吗？这将告诉我们您在哪里，并为我们省去自己构建数据框架的麻烦。顺便说一句，澄清“计数”-我想你想要非

NaN

值的计数，但要具体。是的。我对应用基于列的过滤器有一些了解，但我不太确定如何在所有列上应用计数函数来创建新的数据帧。感谢you@tdelaney，是，我想基于非NaN值进行过滤。我在问题中添加了一个图像。我希望这能让我的问题更容易理解。非常感谢您的回复。@Jamil--这是

dataframe.count（）

他也可以返回日期column@Chris这个答案是正确的。如果

month\u end

“column”实际上是索引，那么当OP在实际数据帧上运行此操作时，它将被包括在内。感谢各位@Chris paulinstead

.notna（）.sum（）

，我将使用

.count（）

感谢大家的快速帮助。看起来这个解决方案非常有效。查看数据帧（df1），我可以看到行数较少的列已从数据帧中截断。将对我的数据进行更详细的核对，但这看起来或多或少已排序。再次感谢。这里不需要写循环。这不是必须的，而是一个选项。能否成为一个好的团队取决于@Jamil下一步计划做什么，但事实并非如此。由于您没有保存

drop

的输出，因此这根本不会作用于OP的数据帧。Loop很少是pandas选项的好选择。谢谢大家的回复，但我希望有人能帮助我找到更有效的解决方案。谢谢你，嗯。刚才看到它和上面的@yatu类似：-（非常感谢你的帮助。我今天学到了一些非常优雅的解决方案。再次感谢你。当然。我是新来的（不是很活跃）。我以后会记住这一点。非常感谢。作为@gtomer的未来参考，用户在意识到发布了相同的答案时，往往会删除该答案。这避免了关于答案是否被复制的混淆（我肯定不是这样的）另一个明显的原因是，有两个相同的答案没有多大用处。@yatu-试图删除它，但无法删除，因为它被“接受”。对不起。