Dado um DataFrame com uma coluna "BoolCol" queremos encontrar os índices do DataFrame em que os valores para "BoolCol" == Verdadeiro
Actualmente tenho a forma iterante de o fazer, que funciona perfeitamente:
for i in range(100,3000):
if df.iloc[i]['BoolCol']== True:
print i,df.iloc[i]['BoolCol']
Mas esta não é a forma correcta de o fazer. Depois de alguma pesquisa, eu estou usando este código no momento:
df[df['BoolCol'] == True].index.tolist()
Este me dá uma lista de índices, mas eles não combinam, quando eu os verifico fazendo:
df.iloc[i]['BoolCol']
O resultado é na verdade Falso!!
Qual seria a forma correcta de Pandas fazer isto?
df.iloc[i]
devolve a fila ith
de df
. i
não se refere à etiqueta do índice, i
é um índice baseado em 0.
Em contraste, o atributo index
retorna etiquetas de índice reais, não índices de linha numéricos:
df.index[df['BoolCol'] == True].tolist()
ou equivalente,
df.index[df['BoolCol']].tolist()
Você pode ver a diferença muito claramente, jogando com um DataFrame com um índice que não seja igual à posição numérica da linha's:
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 você quiser usar o índice,
In [56]: idx = df.index[df['BoolCol']]
In [57]: idx
Out[57]: Int64Index([10, 40, 50], dtype='int64')
**então você pode selecionar as linhas utilizando loc
em vez de iloc
***:
In [58]: df.loc[idx]
Out[58]:
BoolCol
10 True
40 True
50 True
[3 rows x 1 columns]
Note que **loc
também pode aceitar matrizes booleanas***:
In [55]: df.loc[df['BoolCol']]
Out[55]:
BoolCol
10 True
40 True
50 True
[3 rows x 1 columns]
**Se você tiver uma matriz booleana, máscara
, e precisar de valores de índice ordinais, você pode calculá-los utilizando np.flatnonzero
***:
In [110]: np.flatnonzero(df['BoolCol'])
Out[112]: array([0, 3, 4])
Utilize df.iloc
para selecionar as linhas por índice ordinal:
In [113]: df.iloc[np.flatnonzero(df['BoolCol'])]
Out[113]:
BoolCol
10 True
40 True
50 True
Pode ser feito usando a função 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
Embora você não'nem sempre precisa de índice para uma correspondência, mas incase se você precisar:
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']
Primeiro você pode verificar query
quando a coluna de destino for do tipo bool
(PS: sobre como utilizá-la por favor verifique link )
df.query('BoolCol')
Out[123]:
BoolCol
10 True
40 True
50 True
Depois de filtrarmos o df original pela coluna booleana, podemos escolher o índice .
df=df.query('BoolCol')
df.index
Out[125]: Int64Index([10, 40, 50], dtype='int64')
Também os pandas têm nonzero
, nós apenas selecionamos a posição da linha True
e utilizando-a cortamos o DataFrame
ou index
.
df.index[df.BoolCol.nonzero()[0]]
Out[128]: Int64Index([10, 40, 50], dtype='int64')