Python 如何在pandas中有条件地分割数据帧

考虑如下构造的数据帧：

df = pandas.DataFrame({'a':['one','two','three']})

然后我可以找到包含两个

的数据帧的特定行，如：

df[df.a == 'two']

但到目前为止，我发现将
数据帧子集到此行的唯一方法如下：

df[:df[df.a == 'two'].index[0]]

但这很难看，所以：

是否有一种更合适的方法来完成此子集设置

具体来说，我感兴趣的是如何在行索引之间分割数据帧，其中给定的列匹配一些任意文本字符串（在本例中为“两”）。对于这种特殊情况，它相当于
df[：2]
。但是，一般来说，基于列值为切片的开始和/或结束查找索引的能力似乎是合理的

最后一个例子，也许会有所帮助；我希望能够做到以下几点：

df[df.a=='1'：df.a=='3']

要获取包含数据帧第1行和第2行的切片，相当于df[0:3]
您需要标识特定开始值和停止值的索引，并获取匹配行加上中间的所有行。一种方法是找到索引并建立一个范围，但您已经说过您不喜欢这种方法。这是一个使用布尔逻辑的通用解决方案，应该适合您

首先，让我们做一个更有趣的例子：

import pandas as pd
df = pd.DataFrame({'a':['one','two','three', 'four', 'five']})

假设
start=“two”
和
stop=“four”
。也就是说，您希望获得以下输出数据帧：

       a
1    two
2  three
3   four

我们可以通过以下方式找到边界行的索引：

df["a"].isin({start, stop})
#0    False
#1     True
#2    False
#3     True
#4    False
#Name: a, dtype: bool

如果索引2的值为
True
，我们就可以这样做，因为我们可以将此输出用作掩码。让我们找到一种方法来制作我们需要的面具

首先，我们可以使用
cummax（）
和布尔异或运算符（
^
）来实现：

(df["a"]==start).cummax() ^ (df["a"]==stop).cummax()
#0    False
#1     True
#2     True
#3    False
#4    False
#Name: a, dtype: bool

这几乎就是我们想要的，只是我们缺少停止值索引。让我们按位或（
|
）停止条件：

#0    False
#1     True
#2     True
#3     True
#4    False
#Name: a, dtype: bool

这就是我们想要的结果。因此，创建一个掩码，并为数据帧编制索引：

mask = (df["a"]==start).cummax() ^ (df["a"]==stop).cummax() | (df["a"]==stop)
print(df[mask])
#       a
#1    two
#2  three
#3   four

我们可以将这些发现扩展到一个函数中，该函数还支持索引到一行或从一行索引到最后：

def get_rows(df, col, start, stop):
    if start is None:
        mask = ~((df[col] == stop).cummax() ^ (df[col] == stop))
    else:
        mask = (df[col]==start).cummax() ^ (df[col]==stop).cummax() | (df[col]==stop)
    return df[mask]

# get rows between "two" and "four" inclusive
print(get_rows(df=df, col="a", start="two", stop="four"))
#       a
#1    two
#2  three
#3   four

# get rows from "two" until the end
print(get_rows(df=df, col="a", start="two", stop=None))
#       a
#1    two
#2  three
#3   four
#4   five

# get rows up to "two"
print(get_rows(df=df, col="a", start=None, stop="two"))
#     a
#0  one
#1  two


更新：

为了完整起见，这里是基于索引的解决方案

def get_rows_indexing(df, col, start, stop):
    min_ind = min(df.index[df[col]==start].tolist() or [0])
    max_ind = max(df.index[df[col]==stop].tolist() or [len(df)])
    return df[min_ind:max_ind+1]

此函数与其他版本的功能基本相同，但可能更容易理解。另外，这一点更为可靠，因为另一个版本依赖于
None
不是所需列中的值。
如果临时使用列“a”作为索引，则locate方法（loc）会完全按照您的要求执行

df = pd.DataFrame({'a':['one','two','three', 'four', 'five']})
start = 'two'
stop = 'four'
df = df.set_index('a').loc[start:stop].reset_index()

我不明白你在问什么。
df[df.a=='two']
能给你想要的吗？这块面包从哪里来的？或者您正在寻找
df[df.a='two'].重置索引（drop=True）
？感谢您对索引的深入处理。一般来说，我对熊猫还不熟悉，仍然在处理你所说的一些内容，但这确实很有帮助。我忍不住想知道为什么您实现的这个“获取行”功能没有内置到用于切片的DataFrame API中。。。我的意思是，考虑到数据帧的索引可以是一个条件，也可以是一个片段，添加对根据两个条件定义片段的支持似乎是一个明显的扩展。无论如何，谢谢你富有洞察力的回答。@Travis很可能有一种更简单的方法/内置的，但我以前从未见过。（熊猫是一个大图书馆，我不是专家）。无论如何，我使用基于索引的方法添加了一个更新。你可能会发现这更简单，“loc”，我认为是locate的缩写，与最初的问题完全一样。因此df.loc[“2”，“4”]给出了从标签“2”到标签“4”（包括）的所有记录。复杂的是，loc只对索引有效，而不对其他列有效。因此，将_索引设置为列a，然后再将其设置回原来的位置。