Python 如何从选择列表中的列列表中选择过滤器

我希望能够过滤数据帧，并将列列表所在的行保留在选择列表中

df = DataFrame({'A' : [5,6,3,4], 'B' : [1,2,3,5], 'C': range(4)})

输入：

df
   A  B  C
0  5  1  0
1  6  2  1
2  3  3  2
3  4  5  3

filter_list = [(6,2),(3,3)]

预期结果：

df
   A  B  C
1  6  2  1
2  3  3  2

我尝试过loc和map，但没有找到解决方案

提前感谢。

使用应用程序：

>>> fltr =  df.apply(lambda x: (x["A"], x["B"]) in {(6,2),(3,3)}, axis=1)
# 0    False
# 1     True
# 2     True
# 3    False
# dtype: bool
>>> df[fltr]
   A  B  C
1  6  2  1
2  3  3  2

使用和应用：

>>> fltr =  df.apply(lambda x: (x["A"], x["B"]) in {(6,2),(3,3)}, axis=1)
# 0    False
# 1     True
# 2     True
# 3    False
# dtype: bool
>>> df[fltr]
   A  B  C
1  6  2  1
2  3  3  2

创建元组位置的布尔索引器，然后从框架中选择这些行

In [36]: df.loc[Series(zip(df.A,df.B)).isin([(6,2),(3,3)])]
Out[36]: 
   A  B  C
1  6  2  1
2  3  3  2

在0.13中（即将发布！），您可以这样做

创建元组位置的布尔索引器，然后从框架中选择这些行

In [36]: df.loc[Series(zip(df.A,df.B)).isin([(6,2),(3,3)])]
Out[36]: 
   A  B  C
1  6  2  1
2  3  3  2

在0.13中（即将发布！），您可以这样做

---

一位同事通过创建过滤数据帧，为我提供了一个关于大数据帧的更快解决方案：

from pandas import merge, DataFrame
df = DataFrame({'A' : [5,6,3,4], 'B' : [1,2,3,5], 'C': range(4)})
filter_list = [(6,2),(3,3)]
filter_df = DataFrame(filter_list, columns=['A','B'])
filtr = merge(df, filter_df, on=["A","B"], how="inner")

---

一位同事通过创建过滤数据帧，为我提供了一个关于大数据帧的更快解决方案：

from pandas import merge, DataFrame
df = DataFrame({'A' : [5,6,3,4], 'B' : [1,2,3,5], 'C': range(4)})
filter_list = [(6,2),(3,3)]
filter_df = DataFrame(filter_list, columns=['A','B'])
filtr = merge(df, filter_df, on=["A","B"], how="inner")

---

我在玩这个，也在看书。你必须把它压缩成一个系列，这“正常”吗？似乎应该有某种方法可以直接对

df

的子集进行比较。是的，您正在有效地比较元组，因为您希望在A和B中进行比较，排序很重要。举例来说，这还不足以说，在A和Byou中，你将能够在0.13中使用df.isin:Cool约0.13来完成这项工作。我在考虑像

df.loc[：，['A'，'B']==（6,2）

或

df.loc[：，['A'，'B']]这样的测试。isin（过滤器列表）

将读取文档。我在玩这个，也在阅读。你必须把它压缩成一个系列，这“正常”吗？似乎应该有某种方法可以直接对

df

的子集进行比较。是的，您正在有效地比较元组，因为您希望在A和B中进行比较，排序很重要。举例来说，这还不足以说，在A和Byou中，你将能够在0.13中使用df.isin:Cool约0.13来完成这项工作。我在考虑像

df.loc[：，['A'，'B']==（6,2）

或

df.loc[：，['A'，'B']]这样的测试。isin（过滤器列表）

将读取文档。在我的大数据帧上测试，Jeff的答案更快。无论如何，谢谢你在我的大数据框上测试，杰夫的回答更快了。无论如何谢谢你