functions - python pandas download windows

Seleccionar con criterios complejos de pandas.DataFrame

Question

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 y modismos de Pandas?

Answer 1

¡Por supuesto! Preparar:

>>> 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)]})
>>> df
A B C
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 booleanos de la serie:

>>> 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 a .loc nuevo estilo]:

Y luego podemos usar estos para indexar en el objeto. Para el 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. Puede 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
A B C
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 hice == 900 y no != 900 , o ~(df["C"] == 900) , pero soy demasiado flojo para arreglarlo. Ejercicio para el lector. : ^)

Answer 2

Otra solución es usar el método de query :

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
A B C
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'')
A B C
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
A B C
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