Δεδομένου ενός DataFrame με μια στήλη "BoolCol", θέλουμε να βρούμε τους δείκτες του DataFrame στους οποίους οι τιμές για το "BoolCol" == True
Προς το παρόν έχω τον επαναληπτικό τρόπο για να το κάνω, ο οποίος λειτουργεί τέλεια:
for i in range(100,3000):
if df.iloc[i]['BoolCol']== True:
print i,df.iloc[i]['BoolCol']
Αλλά αυτός δεν είναι ο σωστός τρόπος για να το κάνετε με το panda's. Μετά από κάποια έρευνα, χρησιμοποιώ επί του παρόντος αυτόν τον κώδικα:
df[df['BoolCol'] == True].index.tolist()
Αυτός μου δίνει μια λίστα με δείκτες, αλλά δεν ταιριάζουν, όταν τους ελέγχω κάνοντας:
df.iloc[i]['BoolCol']
Το αποτέλεσμα είναι στην πραγματικότητα False!!!
Ποιος θα ήταν ο σωστός τρόπος για να γίνει αυτό από το Pandas;
Το df.iloc[i]
επιστρέφει την ith
γραμμή του df
. Το i
δεν αναφέρεται στην ετικέτα του δείκτη, το i
είναι ένας δείκτης με βάση το 0.
Αντίθετα, το χαρακτηριστικό index
επιστρέφει πραγματικές ετικέτες ευρετηρίων, όχι αριθμητικούς δείκτες γραμμών:
df.index[df['BoolCol'] == True].tolist()
ή ισοδύναμα,
df.index[df['BoolCol']].tolist()
Μπορείτε να δείτε τη διαφορά αρκετά καθαρά παίζοντας με ένα DataFrame με έναν μη προεπιλεγμένο δείκτη που δεν ισούται με την αριθμητική θέση της γραμμής:
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]
Αν θέλετε να χρησιμοποιήσετε το ευρετήριο,
In [56]: idx = df.index[df['BoolCol']]
In [57]: idx
Out[57]: Int64Index([10, 40, 50], dtype='int64')
τότε μπορείτε να επιλέξετε τις γραμμές χρησιμοποιώντας loc
αντί για iloc
:
In [58]: df.loc[idx]
Out[58]:
BoolCol
10 True
40 True
50 True
[3 rows x 1 columns]
Σημειώστε ότι η loc
μπορεί επίσης να δεχτεί πίνακες boolean:
In [55]: df.loc[df['BoolCol']]
Out[55]:
BoolCol
10 True
40 True
50 True
[3 rows x 1 columns]
Αν έχετε έναν πίνακα boolean, mask
, και χρειάζεστε τιμές τακτικών δεικτών, μπορείτε να τις υπολογίσετε χρησιμοποιώντας το np.flatnonzero
:
In [110]: np.flatnonzero(df['BoolCol'])
Out[112]: array([0, 3, 4])
Χρησιμοποιήστε το df.iloc
για να επιλέξετε γραμμές με βάση τον τακτικό δείκτη:
In [113]: df.iloc[np.flatnonzero(df['BoolCol'])]
Out[113]:
BoolCol
10 True
40 True
50 True
Μπορεί να γίνει με τη χρήση της συνάρτησης numpy where():
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
Αν και δεν χρειάζεστε πάντα ευρετήριο για μια αντιστοιχία, αλλά σε περίπτωση που το χρειάζεστε:
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']
Πρώτα μπορείτε να ελέγξετε το query
όταν η στήλη-στόχος είναι τύπου bool
(ΥΓ: για το πώς να το χρησιμοποιήσετε, ελέγξτε τον σύνδεσμο )
df.query('BoolCol')
Out[123]:
BoolCol
10 True
40 True
50 True
Αφού φιλτράρουμε το αρχικό df με τη στήλη Boolean μπορούμε να επιλέξουμε το δείκτη .
df=df.query('BoolCol')
df.index
Out[125]: Int64Index([10, 40, 50], dtype='int64')
Επίσης, το pandas έχει nonzero
, απλά επιλέγουμε την θέση της γραμμής True
και χρησιμοποιώντας την κόβουμε το DataFrame
ή το index
df.index[df.BoolCol.nonzero()[0]]
Out[128]: Int64Index([10, 40, 50], dtype='int64')