Python 使用单独的数据帧选择数据帧的值

我有一个

DataFrame

，我想从中根据布尔标准从具有相同索引的单独

DataFrame

的每一行中选择一个唯一的值。下面的

a

是

DataFrame

我想选择一个值 发件人：

而

b

是我想用来索引事物的

数据帧

In [2]: b
Out[2]: 
                         0      1      2
2015-05-22 15:00:00  False   True  False
2015-05-22 15:00:10  False  False   True
2015-05-22 15:00:20   True  False  False
2015-05-22 15:00:30   True  False  False
2015-05-22 15:00:40   True  False  False

索引很容易，但未选择的值都是
NaN
s，但我想去掉这些值，只保留非空值

In [3]: d=a[b]
In [4]: d
Out[4]:
                            0         1         2
2015-05-22 15:00:00       NaN  0.791424       NaN
2015-05-22 15:00:10       NaN       NaN -0.707294
2015-05-22 15:00:20  0.223438       NaN       NaN
2015-05-22 15:00:30 -2.361507       NaN       NaN
2015-05-22 15:00:40  0.400453       NaN       NaN

我的kluge解决方案是将所有的
NaN
s转换为0，然后对每行求和

In [5]: d[np.isnan(d)]=0
In [6]: d
Out[6]: 
                            0         1         2
2015-05-22 15:00:00  0.000000  0.791424  0.000000
2015-05-22 15:00:10  0.000000  0.000000 -0.707294
2015-05-22 15:00:20  0.223438  0.000000  0.000000
2015-05-22 15:00:30 -2.361507  0.000000  0.000000
2015-05-22 15:00:40  0.400453  0.000000  0.000000

In [7]: e=d.sum(axis=1)
In [8]: e
Out[8]: 
2015-05-22 15:00:00    0.791424
2015-05-22 15:00:10   -0.707294
2015-05-22 15:00:20    0.223438
2015-05-22 15:00:30   -2.361507
2015-05-22 15:00:40    0.400453
Freq: 10S, dtype: float64

有没有一种方法可以通过索引来实现这一点。我尝试了多种方法，但没有找到好的或更好的解决方案。
一种方法是叠加结果：

d = a[b].stack()

默认设置将删除空值。这将在索引中为您提供第二个可能不需要的级别。如果不行，就把它扔了。仅当每行中有一个
True
时，沿轴=1求和才会起作用，但情况并非总是如此
 你不需要
d[np.isnan（d）]=0
，你可以直接做
d.sum（axis=1）
，这可以归结为像
a[b].sum（axis=1）
这样的单行，所以问题实际上可以归结为如何获得给定行中
True
列的索引位置。我怀疑你这样做的方式（由@JohnGalt改进）这是一种很好的方法，因为您从一个掩码（数据帧）开始。任何其他解决方案都需要将
[False-False-True]
转换为
2
，然后将其插入
iloc
。但我不认为这比你已经在做的事情有什么好处。现在，如果你不是真的从那个面具开始，那么可能有一个更好的方法。@JohnGalt的方法非常适合我。哦，有趣的是，你可以用stack来做。看起来很好，虽然我不清楚它比
a[b]好还是坏。如上所述，sum（axis=1）
。是的，我只是认为它可能会在稍微不同的情况下有所帮助，因为每行中没有一个
True
。此外，我认为问题本质上是将多个列转换为一个列，我认为这自然属于pivot和stack等领域。对我来说，对空值求和的直观性要差一些。此外，保留每行中的非空值来自哪个列的信息可能会很有意义。另一方面，堆栈似乎要慢2-3倍左右
d = a[b].stack()