Panda Python: ottieni l'indice delle righe la cui colonna corrisponde a un determinato valore

Dato un DataFrame con una colonna "BoolCol", vogliamo trovare gli indici del DataFrame in cui i valori per "BoolCol" == True

Al momento ho il modo iterante di farlo, che funziona perfettamente:

for i in range(100,3000):
    if df.iloc[i]['BoolCol']== True:
         print i,df.iloc[i]['BoolCol']

Ma questo non è il modo corretto del panda di farlo. Dopo alcune ricerche, sto attualmente usando questo codice:

df[df['BoolCol'] == True].index.tolist()

Questo mi dà un elenco di indici, ma non corrispondono, quando li controllo facendo:

df.iloc[i]['BoolCol']

Il risultato è in realtà falso !!

Quale sarebbe il modo corretto dei panda per farlo?

df.iloc[i]restituisce la ithriga di df. inon fa riferimento all'etichetta dell'indice, iè un indice basato su 0.

Al contrario, l'attributo indexrestituisce etichette di indice effettive , non indici di riga numerici:

df.index[df['BoolCol'] == True].tolist()

o equivalentemente,

df.index[df['BoolCol']].tolist()

Puoi vedere la differenza abbastanza chiaramente giocando con un DataFrame con un indice non predefinito che non è uguale alla posizione numerica della riga:

df = pd.DataFrame({'BoolCol': [True, False, False, True, True]},
       index=[10,20,30,40,50])

In [53]: df
Out[53]: 
   BoolCol
10    True
20   False
30   False
40    True
50    True

[5 rows x 1 columns]

In [54]: df.index[df['BoolCol']].tolist()
Out[54]: [10, 40, 50]

Se si desidera utilizzare l'indice ,

In [56]: idx = df.index[df['BoolCol']]

In [57]: idx
Out[57]: Int64Index([10, 40, 50], dtype='int64')

quindi puoi selezionare le righe usando locinvece diiloc :

In [58]: df.loc[idx]
Out[58]: 
   BoolCol
10    True
40    True
50    True

[3 rows x 1 columns]

Nota che locpuò anche accettare array booleani :

In [55]: df.loc[df['BoolCol']]
Out[55]: 
   BoolCol
10    True
40    True
50    True

[3 rows x 1 columns]

Se hai un array booleano maske hai bisogno di valori di indice ordinali, puoi calcolarli usandonp.flatnonzero :

In [110]: np.flatnonzero(df['BoolCol'])
Out[112]: array([0, 3, 4])

Utilizzare df.ilocper selezionare le righe per indice ordinale:

In [113]: df.iloc[np.flatnonzero(df['BoolCol'])]
Out[113]: 
   BoolCol
10    True
40    True
50    True

Può essere fatto usando numpy dove () funzione:

import pandas as pd
import numpy as np

In [716]: df = pd.DataFrame({"gene_name": ['SLC45A1', 'NECAP2', 'CLIC4', 'ADC', 'AGBL4'] , "BoolCol": [False, True, False, True, True] },
       index=list("abcde"))

In [717]: df
Out[717]: 
  BoolCol gene_name
a   False   SLC45A1
b    True    NECAP2
c   False     CLIC4
d    True       ADC
e    True     AGBL4

In [718]: np.where(df["BoolCol"] == True)
Out[718]: (array([1, 3, 4]),)

In [719]: select_indices = list(np.where(df["BoolCol"] == True)[0])

In [720]: df.iloc[select_indices]
Out[720]: 
  BoolCol gene_name
b    True    NECAP2
d    True       ADC
e    True     AGBL4

Sebbene non sia sempre necessario l'indice per una corrispondenza, ma in caso di necessità:

In [796]: df.iloc[select_indices].index
Out[796]: Index([u'b', u'd', u'e'], dtype='object')

In [797]: df.iloc[select_indices].index.tolist()
Out[797]: ['b', 'd', 'e']

Il modo semplice è ripristinare l'indice del DataFrame prima del filtraggio:

df_reset = df.reset_index()
df_reset[df_reset['BoolCol']].index.tolist()

Un po 'confuso, ma è veloce!

Per prima cosa puoi controllare queryquando la colonna di destinazione è di tipo bool (PS: su come usarla, controlla il link )

df.query('BoolCol')
Out[123]: 
    BoolCol
10     True
40     True
50     True

Dopo aver filtrato il df originale per la colonna booleana, possiamo scegliere l'indice.

df=df.query('BoolCol')
df.index
Out[125]: Int64Index([10, 40, 50], dtype='int64')

Anche i panda hanno nonzero, selezioniamo solo la posizione della Trueriga e usandola tagliamo DataFrameoindex

df.index[df.BoolCol.nonzero()[0]]
Out[128]: Int64Index([10, 40, 50], dtype='int64')

Se si desidera utilizzare l'oggetto dataframe solo una volta, utilizzare:

df['BoolCol'].loc[lambda x: x==True].index

Ho esteso questa domanda che è come ottiene la row, columne valuedi tutti i valori partite?

ecco la soluzione:

import pandas as pd
import numpy as np


def search_coordinate(df_data: pd.DataFrame, search_set: set) -> list:
    nda_values = df_data.values
    tuple_index = np.where(np.isin(nda_values, [e for e in search_set]))
    return [(row, col, nda_values[row][col]) for row, col in zip(tuple_index[0], tuple_index[1])]


if __name__ == '__main__':
    test_datas = [['cat', 'dog', ''],
                  ['goldfish', '', 'kitten'],
                  ['Puppy', 'hamster', 'mouse']
                  ]
    df_data = pd.DataFrame(test_datas)
    print(df_data)
    result_list = search_coordinate(df_data, {'dog', 'Puppy'})
    print(f"\n\n{'row':<4} {'col':<4} {'name':>10}")
    [print(f"{row:<4} {col:<4} {name:>10}") for row, col, name in result_list]

Produzione:

          0        1       2
0       cat      dog        
1  goldfish           kitten
2     Puppy  hamster   mouse


row  col        name
0    1           dog
2    0         Puppy