Seleccionando con criterios complejos desde pandas.DataFrame

Por ejemplo tengo DF simple:

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)]}) 

¿Puedo seleccionar valores de ‘A’ para los cuales los valores correspondientes para ‘B’ serán mayores que 50, y para ‘C’ – no igual a 900, usando métodos e idiomas de Pandas?

¡Por supuesto! Preparar:

 >>> 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 ABC 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 

Podemos aplicar operaciones de columna y obtener objetos de la serie booleana:

 >>> 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 

[Actualizar, para cambiar al nuevo estilo .loc ]:

Y luego podemos usar estos para indexar en el objeto. Para acceso de lectura, puede encadenar índices:

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

pero puede meterse en problemas debido a la diferencia entre una vista y una copia haciendo esto para el acceso de escritura. Puedes usar .loc en .loc lugar:

 >>> 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 ABC 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 

Tenga en cuenta que accidentalmente escribí == 900 y no != 900 , o ~(df["C"] == 900) , pero soy demasiado vago para arreglarlo. Ejercicio para el lector. : ^)

Otra solución es usar el método de consulta :

 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)]}) print df ABC 0 7 20 300 1 7 80 700 2 4 90 100 3 4 30 900 4 7 80 200 5 7 60 800 6 3 80 900 7 9 40 100 8 6 40 100 9 3 10 600 print df.query('B > 50 and C != 900') ABC 1 7 80 700 2 4 90 100 4 7 80 200 5 7 60 800 

Ahora, si desea cambiar los valores devueltos en la columna A, puede guardar su índice:

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

…. y usa .iloc para cambiarlos, es decir:

 df.iloc[my_query_index, 0] = 5000 print df ABC 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 

Puedes usar pandas ya que tiene algunas funciones incorporadas para comparación. Entonces, si desea seleccionar valores de “A” que cumplan las condiciones de “B” y “C” (suponiendo que desea recuperar un objeto de pandas DataFrame)

df[['A']][df.B.gt(50) & df.C.ne(900)]

df[['A']] le devolverá la columna A en formato DataFrame.

La función ‘gt’ de pandas devolverá las posiciones de la columna B que son mayores que 50 y ‘ne’ devolverá las posiciones que no sean iguales a 900.