Dado un DataFrame con una columna "BoolCol", queremos encontrar los índices del DataFrame en los que los valores de "BoolCol" == True
Actualmente tengo la forma de iterar para hacerlo, que funciona perfectamente:
for i in range(100,3000):
if df.iloc[i]['BoolCol']== True:
print i,df.iloc[i]['BoolCol']
Pero esta no es la forma correcta de hacerlo panda's. Después de algunas investigaciones, actualmente estoy usando este código:
df[df['BoolCol'] == True].index.tolist()
Este me da una lista de índices, pero no coinciden, cuando los compruebo haciendo:
df.iloc[i]['BoolCol']
¡¡El resultado es realmente Falso!!
¿Cuál sería la forma correcta de Pandas para hacer esto?
df.iloc[i]
devuelve la ésima
fila de df
. i" no se refiere a la etiqueta del índice, "i" es un índice basado en 0.
En cambio, el atributo index
devuelve etiquetas de índice reales, no índices numéricos de fila:
df.index[df['BoolCol'] == True].tolist()
o de forma equivalente,
df.index[df['BoolCol']].tolist()
Puede ver la diferencia con bastante claridad si juega con un DataFrame con un índice no predeterminado que no es igual a la posición numérica de la fila':
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]
Si quieres usar el índice,
In [56]: idx = df.index[df['BoolCol']]
In [57]: idx
Out[57]: Int64Index([10, 40, 50], dtype='int64')
entonces puede seleccionar las filas utilizando loc
en lugar de iloc
:
In [58]: df.loc[idx]
Out[58]:
BoolCol
10 True
40 True
50 True
[3 rows x 1 columns]
Tenga en cuenta que loc
también puede aceptar matrices booleanas:
In [55]: df.loc[df['BoolCol']]
Out[55]:
BoolCol
10 True
40 True
50 True
[3 rows x 1 columns]
Si tienes una matriz booleana, máscara
, y necesitas valores de índice ordinal, puedes calcularlos usando np.flatnonzero
:
In [110]: np.flatnonzero(df['BoolCol'])
Out[112]: array([0, 3, 4])
Utiliza df.iloc
para seleccionar filas por índice ordinal:
In [113]: df.iloc[np.flatnonzero(df['BoolCol'])]
Out[113]:
BoolCol
10 True
40 True
50 True
Se puede hacer usando la función 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
Aunque no siempre se necesita el índice para una coincidencia, pero por si acaso:
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']
En primer lugar, puede comprobar query
cuando la columna de destino es de tipo bool
(PS: acerca de cómo utilizarlo por favor consulte enlace )
df.query('BoolCol')
Out[123]:
BoolCol
10 True
40 True
50 True
Después de filtrar el df original por la columna booleana podemos escoger el índice .
df=df.query('BoolCol')
df.index
Out[125]: Int64Index([10, 40, 50], dtype='int64')
También los pandas tienen nonzero
, simplemente seleccionamos la posición de la fila True
y con ella cortamos el DataFrame
o index
df.index[df.BoolCol.nonzero()[0]]
Out[128]: Int64Index([10, 40, 50], dtype='int64')