Dato un DataFrame con una colonna "BoolCol", vogliamo trovare gli indici del DataFrame in cui i valori per "BoolCol" == True
Attualmente ho il modo iterante per 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 di fare il panda. Dopo alcune ricerche, attualmente sto usando questo codice:
df[df['BoolCol'] == True].index.tolist()
Questo mi dà una lista di indici, ma non corrispondono, quando li controllo facendo:
df.iloc[i]['BoolCol']
Il risultato è effettivamente Falso!
Quale sarebbe il modo corretto di Pandas per fare questo?
df.iloc[i]
restituisce la ith
riga di df
. i
non si riferisce all'etichetta dell'indice, i
è un indice basato su 0.
Al contrario, l'attributo index
restituisce effettive etichette di indice, non indici di riga numerici:
df.index[df['BoolCol'] == True].tolist()
o in modo equivalente,
df.index[df['BoolCol']].tolist()
Si può vedere chiaramente la differenza 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 vuoi usare l'indice,
In [56]: idx = df.index[df['BoolCol']]
In [57]: idx
Out[57]: Int64Index([10, 40, 50], dtype='int64')
allora puoi selezionare le righe usando loc
invece di iloc
:
In [58]: df.loc[idx]
Out[58]:
BoolCol
10 True
40 True
50 True
[3 rows x 1 columns]
Si noti che loc
può anche accettare array di booleani:
In [55]: df.loc[df['BoolCol']]
Out[55]:
BoolCol
10 True
40 True
50 True
[3 rows x 1 columns]
Se avete un array booleano, mask
, e avete bisogno di valori di indice ordinali, potete calcolarli usando np.flatnonzero
:
In [110]: np.flatnonzero(df['BoolCol'])
Out[112]: array([0, 3, 4])
Usa df.iloc
per 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 la funzione 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
Anche se non si ha sempre bisogno di un indice per una corrispondenza, ma nel caso in cui si abbia bisogno:
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']
Per prima cosa potete controllare query
quando la colonna di destinazione è di tipo bool
(PS: su come usarlo controllate 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
, basta selezionare la posizione della riga Vero
e usarla per affettare il DataFrame
o index
.
df.index[df.BoolCol.nonzero()[0]]
Out[128]: Int64Index([10, 40, 50], dtype='int64')