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