Selezione con criteri complessi da Panda.DataFrame

Ad esempio ho un semplice DF:

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)]})

Posso selezionare valori da 'A' per i quali i valori corrispondenti per 'B' saranno maggiori di 50 e per 'C' - non uguale a 900, usando metodi e modi di dire di Panda?

Sicuro! Impostare:

>>> 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
   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

Possiamo applicare operazioni su colonne e ottenere oggetti della 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

[Aggiorna, per passare al nuovo stile .loc]:

E quindi possiamo usarli per indicizzare l'oggetto. Per l'accesso in lettura, è possibile concatenare gli indici:

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

ma puoi metterti nei guai a causa della differenza tra una vista e una copia che lo fa per l'accesso in scrittura. Puoi .locinvece usare :

>>> 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

Nota che ho digitato accidentalmente == 900e non != 900, oppure ~(df["C"] == 900), ma sono troppo pigro per risolverlo. Esercizio per il lettore. : ^)

Un'altra soluzione è utilizzare il metodo di 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

Ora se vuoi cambiare i valori restituiti nella colonna A puoi salvare il loro indice:

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

.... e usali .ilocper cambiarli, ad esempio:

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

E ricorda di usare la parentesi!

Tenere presente che l' &operatore ha la precedenza su operatori come >o <ecc. Ecco perché

4 < 5 & 6 > 4

valuta False. Pertanto, se si utilizza pd.loc, è necessario inserire parentesi quadre tra le istruzioni logiche, altrimenti si ottiene un errore. Ecco perché:

df.loc[(df['A'] > 10) & (df['B'] < 15)]

invece di

df.loc[df['A'] > 10 & df['B'] < 15]

che comporterebbe

TypeError: impossibile confrontare un array dtyped [float64] con uno scalare di tipo [bool]

Puoi usare i panda che hanno alcune funzioni integrate per il confronto. Quindi, se si desidera selezionare i valori di "A" che sono soddisfatti dalle condizioni di "B" e "C" (supponendo che si desideri riprendere un oggetto Panda DataFrame)

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

df[['A']] ti restituirà la colonna A in formato DataFrame.

La funzione 'gt' di panda restituirà le posizioni della colonna B che sono maggiori di 50 e 'ne' restituirà le posizioni non uguali a 900.