列の値に基づいてDataFrameから行を選択する方法は?


1960

DataFramePythonパンダのいくつかの列の値に基づいてから行を選択するにはどうすればよいですか?

SQLでは、次のように使用します。

SELECT *
FROM table
WHERE colume_name = some_value

私はパンダのドキュメントを見てみましたが、すぐには答えが見つかりませんでした。



6
これはSQLとの比較 です: pandas.pydata.org/pandas-docs/stable/comparison_with_sql.htmlパンダをSQLとして実行できます。
i_thamary

回答:


3768

列の値がスカラーに等しい行を選択するにはsome_value、次を使用します==

df.loc[df['column_name'] == some_value]

列値が反復可能である行を選択するにはsome_values、次を使用しますisin

df.loc[df['column_name'].isin(some_values)]

複数の条件を以下と組み合わせます&

df.loc[(df['column_name'] >= A) & (df['column_name'] <= B)]

括弧に注意してください。Pythonの演算子優先規則により&<=およびよりも緊密にバインドされます>=。したがって、最後の例の括弧は必要です。括弧なし

df['column_name'] >= A & df['column_name'] <= B

として解析されます

df['column_name'] >= (A & df['column_name']) <= B

これにより、シリーズの真理値が不明確なエラーになります


列の値が等しくない 行を選択するにsome_value、次を使用します!=

df.loc[df['column_name'] != some_value]

isin戻り値Booleanシリーズは、とても価値ある行を選択することではないsome_values、否定ブールシリーズ使用して~

df.loc[~df['column_name'].isin(some_values)]

例えば、

import pandas as pd
import numpy as np
df = pd.DataFrame({'A': 'foo bar foo bar foo bar foo foo'.split(),
                   'B': 'one one two three two two one three'.split(),
                   'C': np.arange(8), 'D': np.arange(8) * 2})
print(df)
#      A      B  C   D
# 0  foo    one  0   0
# 1  bar    one  1   2
# 2  foo    two  2   4
# 3  bar  three  3   6
# 4  foo    two  4   8
# 5  bar    two  5  10
# 6  foo    one  6  12
# 7  foo  three  7  14

print(df.loc[df['A'] == 'foo'])

収量

     A      B  C   D
0  foo    one  0   0
2  foo    two  2   4
4  foo    two  4   8
6  foo    one  6  12
7  foo  three  7  14

含める値が複数ある場合は、それらをリスト(またはより一般的には反復可能)に入れて、次のように使用しますisin

print(df.loc[df['B'].isin(['one','three'])])

収量

     A      B  C   D
0  foo    one  0   0
1  bar    one  1   2
3  bar  three  3   6
6  foo    one  6  12
7  foo  three  7  14

ただし、これを何度も行いたい場合は、最初にインデックスを作成してから使用する方が効率的df.locです。

df = df.set_index(['B'])
print(df.loc['one'])

収量

       A  C   D
B              
one  foo  0   0
one  bar  1   2
one  foo  6  12

または、インデックスから複数の値を含めるには、以下を使用しますdf.index.isin

df.loc[df.index.isin(['one','two'])]

収量

       A  C   D
B              
one  foo  0   0
one  bar  1   2
two  foo  2   4
two  foo  4   8
two  bar  5  10
one  foo  6  12

19
実際、df [df ['colume_name'] == some_value]も機能します。しかし、私の最初の試みであるdf.where(df ['colume_name'] == some_value)は機能しません...理由はわかりません...
szli

13
を使用するdf.where(condition)場合、条件はと同じ形状でなければなりませんdf
unutbu 2013年

3
これらのリンクはあなたの多くに非常に有用である可能性:pandas.pydata.org/pandas-docs/stable/indexing.htmlは gregreda.com/2013/10/26/working-with-pandas-dataframes
tremendows

8
参考:2つ(またはそれ以上)のラベル(両方またはどちらかが必要)に基づいて行を選択する場合は、stackoverflow.com
Shane

7
機能するのでdf[df['column_name'] == some_value]、なぜ.locここに追加する必要があるのですか?
qqqwww

314

パンダデータフレームから行を選択するには、いくつかの方法があります。

  1. ブールインデックス(df[df['col'] == value])
  2. 位置インデックス(df.iloc[...]
  3. ラベルのインデックス作成(df.xs(...)
  4. df.query(...) API

以下に、それぞれの例と、特定のテクニックを使用する場合のアドバイスを示します。基準が列であると仮定します'A'=='foo'

(パフォーマンスに関する注意:基本タイプごとに、pandas APIを使用して物事をシンプルに保つことも、APIの外側(通常は)に挑戦numpyしてスピードアップすることもできます。)


セットアップ
最初に必要なことは、行を選択するための基準として機能する条件を特定することです。OPのケースから始め、column_name == some_valueその他の一般的な使用例をいくつか紹介します。

@unutbuから借りる:

import pandas as pd, numpy as np

df = pd.DataFrame({'A': 'foo bar foo bar foo bar foo foo'.split(),
                   'B': 'one one two three two two one three'.split(),
                   'C': np.arange(8), 'D': np.arange(8) * 2})

1.ブールインデックス

...ブールインデックスでは、各行の'A'列の真の値がと等しいことを検出し'foo'、それらの真理値を使用して、保持する行を特定する必要があります。通常、このシリーズには真理値の配列という名前を付けますmask。ここでもそうします。

mask = df['A'] == 'foo'

次に、このマスクを使用して、データフレームをスライスまたはインデックス付けします

df[mask]

     A      B  C   D
0  foo    one  0   0
2  foo    two  2   4
4  foo    two  4   8
6  foo    one  6  12
7  foo  three  7  14

これは、このタスクを実行する最も簡単な方法の1つであり、パフォーマンスや直感性が問題でない場合は、これが選択した方法です。ただし、パフォーマンスが問題になる場合は、を作成する別の方法を検討することをお勧めしますmask


2.位置インデックス

位置索引付け(df.iloc[...])にはその使用例がありますが、これはそれらの1つではありません。スライスする場所を特定するには、最初に、上記と同じブール分析を実行する必要があります。これにより、同じタスクを実行するために1つの追加ステップを実行できます。

mask = df['A'] == 'foo'
pos = np.flatnonzero(mask)
df.iloc[pos]

     A      B  C   D
0  foo    one  0   0
2  foo    two  2   4
4  foo    two  4   8
6  foo    one  6  12
7  foo  three  7  14

3.ラベルのインデックス作成

ラベルのインデックス作成は非常に便利ですが、この場合も、メリットがないためにさらに作業を行っています。

df.set_index('A', append=True, drop=False).xs('foo', level=1)

     A      B  C   D
0  foo    one  0   0
2  foo    two  2   4
4  foo    two  4   8
6  foo    one  6  12
7  foo  three  7  14

4. df.query()API

pd.DataFrame.queryこのタスクを実行するための非常にエレガントで直感的な方法ですが、多くの場合遅くなります。ただし、以下のタイミングに注意すると、大きなデータの場合、クエリは非常に効率的です。標準的なアプローチよりも多く、私の最高の提案と同様の大きさです。

df.query('A == "foo"')

     A      B  C   D
0  foo    one  0   0
2  foo    two  2   4
4  foo    two  4   8
6  foo    one  6  12
7  foo  three  7  14

私の好みは Boolean mask

実際の改善は、の作成方法を変更することによって行うことができますBoolean mask

mask代替1 基になる配列を使用し、別の配列を作成するオーバーヘッドを忘れます
numpypd.Series

mask = df['A'].values == 'foo'

最後に、より完全な時間テストを示しますが、サンプルデータフレームを使用して得られるパフォーマンスの向上を確認してください。まず、作成の違いを見てみましょうmask

%timeit mask = df['A'].values == 'foo'
%timeit mask = df['A'] == 'foo'

5.84 µs ± 195 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
166 µs ± 4.45 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

配列での評価はmasknumpy約30倍高速です。これは、numpy評価が高速になることが多いためです。また、一部には、インデックスと対応するpd.Seriesオブジェクトを構築するために必要なオーバーヘッドがないためです。

次に、一方を他方でスライスするタイミングを見ていきますmask

mask = df['A'].values == 'foo'
%timeit df[mask]
mask = df['A'] == 'foo'
%timeit df[mask]

219 µs ± 12.3 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
239 µs ± 7.03 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

パフォーマンスの向上はそれほど顕著ではありません。これがより堅牢なテストに耐えられるかどうかを確認します。


mask代替案2
データフレームを再構築することもできます。データフレームの再構築には大きな注意が必要dtypesです。そうする場合は注意が必要です。

代わりにdf[mask]これを行います

pd.DataFrame(df.values[mask], df.index[mask], df.columns).astype(df.dtypes)

データフレームがこの例のように混合型である場合df.values、結果の配列を取得するdtype objectと、新しいデータフレームのすべての列がになりますdtype object。したがってastype(df.dtypes)、潜在的なパフォーマンスの向上を必要とし、強制終了します。

%timeit df[m]
%timeit pd.DataFrame(df.values[mask], df.index[mask], df.columns).astype(df.dtypes)

216 µs ± 10.4 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
1.43 ms ± 39.6 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

ただし、データフレームが混合タイプではない場合、これは非常に便利な方法です。

与えられた

np.random.seed([3,1415])
d1 = pd.DataFrame(np.random.randint(10, size=(10, 5)), columns=list('ABCDE'))

d1

   A  B  C  D  E
0  0  2  7  3  8
1  7  0  6  8  6
2  0  2  0  4  9
3  7  3  2  4  3
4  3  6  7  7  4
5  5  3  7  5  9
6  8  7  6  4  7
7  6  2  6  6  5
8  2  8  7  5  8
9  4  7  6  1  5    

%%timeit
mask = d1['A'].values == 7
d1[mask]

179 µs ± 8.73 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

%%timeit
mask = d1['A'].values == 7
pd.DataFrame(d1.values[mask], d1.index[mask], d1.columns)

87 µs ± 5.12 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

時間を半分に減らしました。


mask代替案3
@unutbuは、値のセットに含まれるpd.Series.isin各要素を説明するために使用する方法も示していdf['A']ます。これは、値のセットが1つの値のセット、つまりの場合、同じ評価になります'foo'。ただし、必要に応じて、より大きな値のセットを含めるように一般化します。結局のところ、これはより一般的なソリューションですが、まだかなり高速です。唯一の本当の損失は、コンセプトに精通していない人にとって直感的です。

mask = df['A'].isin(['foo'])
df[mask]

     A      B  C   D
0  foo    one  0   0
2  foo    two  2   4
4  foo    two  4   8
6  foo    one  6  12
7  foo  three  7  14

ただし、以前と同様に、numpy実質的に何も犠牲にすることなくパフォーマンスを向上させるために利用できます。使用しますnp.in1d

mask = np.in1d(df['A'].values, ['foo'])
df[mask]

     A      B  C   D
0  foo    one  0   0
2  foo    two  2   4
4  foo    two  4   8
6  foo    one  6  12
7  foo  three  7  14

タイミング
参考のために、他の投稿で言及されている他の概念も含めます。
以下のコード

この表の各列は、各関数をテストするための異なる長さのデータフレームを表しています。各列は、相対的な所要時間を示し、ベースインデックスがの場合に最も高速な関数を示します1.0

res.div(res.min())

                         10        30        100       300       1000      3000      10000     30000
mask_standard         2.156872  1.850663  2.034149  2.166312  2.164541  3.090372  2.981326  3.131151
mask_standard_loc     1.879035  1.782366  1.988823  2.338112  2.361391  3.036131  2.998112  2.990103
mask_with_values      1.010166  1.000000  1.005113  1.026363  1.028698  1.293741  1.007824  1.016919
mask_with_values_loc  1.196843  1.300228  1.000000  1.000000  1.038989  1.219233  1.037020  1.000000
query                 4.997304  4.765554  5.934096  4.500559  2.997924  2.397013  1.680447  1.398190
xs_label              4.124597  4.272363  5.596152  4.295331  4.676591  5.710680  6.032809  8.950255
mask_with_isin        1.674055  1.679935  1.847972  1.724183  1.345111  1.405231  1.253554  1.264760
mask_with_in1d        1.000000  1.083807  1.220493  1.101929  1.000000  1.000000  1.000000  1.144175

あなたは、最速タイムの間で共有されているように見えることに気づくでしょうmask_with_valuesし、mask_with_in1d

res.T.plot(loglog=True)

ここに画像の説明を入力してください

機能

def mask_standard(df):
    mask = df['A'] == 'foo'
    return df[mask]

def mask_standard_loc(df):
    mask = df['A'] == 'foo'
    return df.loc[mask]

def mask_with_values(df):
    mask = df['A'].values == 'foo'
    return df[mask]

def mask_with_values_loc(df):
    mask = df['A'].values == 'foo'
    return df.loc[mask]

def query(df):
    return df.query('A == "foo"')

def xs_label(df):
    return df.set_index('A', append=True, drop=False).xs('foo', level=-1)

def mask_with_isin(df):
    mask = df['A'].isin(['foo'])
    return df[mask]

def mask_with_in1d(df):
    mask = np.in1d(df['A'].values, ['foo'])
    return df[mask]

テスト中

res = pd.DataFrame(
    index=[
        'mask_standard', 'mask_standard_loc', 'mask_with_values', 'mask_with_values_loc',
        'query', 'xs_label', 'mask_with_isin', 'mask_with_in1d'
    ],
    columns=[10, 30, 100, 300, 1000, 3000, 10000, 30000],
    dtype=float
)

for j in res.columns:
    d = pd.concat([df] * j, ignore_index=True)
    for i in res.index:a
        stmt = '{}(d)'.format(i)
        setp = 'from __main__ import d, {}'.format(i)
        res.at[i, j] = timeit(stmt, setp, number=50)

特殊なタイミングデータフレーム全体に対して
単一の非オブジェクトがある場合の特殊なケースを見てdtypeください。 以下のコード

spec.div(spec.min())

                     10        30        100       300       1000      3000      10000     30000
mask_with_values  1.009030  1.000000  1.194276  1.000000  1.236892  1.095343  1.000000  1.000000
mask_with_in1d    1.104638  1.094524  1.156930  1.072094  1.000000  1.000000  1.040043  1.027100
reconstruct       1.000000  1.142838  1.000000  1.355440  1.650270  2.222181  2.294913  3.406735

結局、再構築は数百行を超える価値はありません。

spec.T.plot(loglog=True)

ここに画像の説明を入力してください

機能

np.random.seed([3,1415])
d1 = pd.DataFrame(np.random.randint(10, size=(10, 5)), columns=list('ABCDE'))

def mask_with_values(df):
    mask = df['A'].values == 'foo'
    return df[mask]

def mask_with_in1d(df):
    mask = np.in1d(df['A'].values, ['foo'])
    return df[mask]

def reconstruct(df):
    v = df.values
    mask = np.in1d(df['A'].values, ['foo'])
    return pd.DataFrame(v[mask], df.index[mask], df.columns)

spec = pd.DataFrame(
    index=['mask_with_values', 'mask_with_in1d', 'reconstruct'],
    columns=[10, 30, 100, 300, 1000, 3000, 10000, 30000],
    dtype=float
)

テスト中

for j in spec.columns:
    d = pd.concat([df] * j, ignore_index=True)
    for i in spec.index:
        stmt = '{}(d)'.format(i)
        setp = 'from __main__ import d, {}'.format(i)
        spec.at[i, j] = timeit(stmt, setp, number=50)

6
素晴らしい答え!2つの質問ですが、i).iloc(numpy.where(..))このスキームではどのように比較しますか?ii)複数の条件を使用する場合、ランキングは同じになると思いますか?
posdef 2018年

3
パフォーマンスのためにpd.Series.isin、それは注意しない使用をnp.in1d特定のシナリオではボンネットの下に、用途は他にkhash、および暗黙的に特定の状況下での性能対ハッシュのコストの間のトレードオフが適用されます。この答えはより詳細です。
2018年

1
9画面で、これは新規ユーザーまたは中間ユーザーにとっても過負荷です。最初の段落でtl; drを自己要約できます。
smci

@piRSquared スケーリングは重要あなたは、@piRSquared、また、約あなたの経験を投稿していただけませんがどれだけ実際 [{P|EXP}TIME]と- [{C|P|EXP}SPACE]- コスト(トップダウン一度に全データフレームを処理)、ブロック構文の上で提案フォームを使用しての成長を、すなわちする場合、いくつかの~1E6, ~1E9, ~1E12行数にスケーリングされましたか?全体像を見せてくれてありがとう、サー。定量的ベンチマークの測定値は、[min, Avg, MAX, StDev]両方として、常に歓迎されているminMAX値が同行Mean/StDevバッチの救済を。
user3666197

正解です。クエリは私の問題を解決しました!
Pavlos Ponos

281

tl; dr

に相当するパンダ

select * from table where column_name = some_value

です

table[table.column_name == some_value]

複数の条件:

table[(table.column_name == some_value) | (table.column_name2 == some_value2)]

または

table.query('column_name == some_value | column_name2 == some_value2')

コード例

import pandas as pd

# Create data set
d = {'foo':[100, 111, 222], 
     'bar':[333, 444, 555]}
df = pd.DataFrame(d)

# Full dataframe:
df

# Shows:
#    bar   foo 
# 0  333   100
# 1  444   111
# 2  555   222

# Output only the row(s) in df where foo is 222:
df[df.foo == 222]

# Shows:
#    bar  foo
# 2  555  222

上記のコードでは、この場合df[df.foo == 222]、列の値に基づいて行を提供する行です222

複数の条件も考えられます。

df[(df.foo == 222) | (df.bar == 444)]
#    bar  foo
# 1  444  111
# 2  555  222

しかし、その時点ではクエリ関数を使用することをお勧めします。冗長性が低く、同じ結果が得られるからです。

df.query('foo == 222 | bar == 444')

5
queryメソッドチェーンと互換性がある唯一の答えはここです。それfilterはdplyrのpandas アナログのようです。
バークU.

3
こんにちは、3番目の例(複数列)では、外側に[角かっこ(ではなく角かっこが必要だと思います。
user2739472

2
最初|はAND だと思っていましたが、もちろんOR演算子です...
O-9

ANDを使用して複数の条件の場合、1つにできるdf[condition1][condition2]
Ritwik

1
念のためにここにこれを残して、それは誰かに便利です:0.25クエリからバッククォートで名前を囲んで、名前にスペースを持つ列名を使用することができます:df.query('`my col` == 124')
cs95を

65

以前の回答の構文は冗長で覚えにくいと思います。パンダquery()はv0.13でこのメソッドを導入しましたが、私はそれをずっと好みます。あなたの質問のために、あなたはすることができますdf.query('col == val')

http://pandas.pydata.org/pandas-docs/version/0.17.0/indexing.html#indexing-queryから複製

In [167]: n = 10

In [168]: df = pd.DataFrame(np.random.rand(n, 3), columns=list('abc'))

In [169]: df
Out[169]: 
          a         b         c
0  0.687704  0.582314  0.281645
1  0.250846  0.610021  0.420121
2  0.624328  0.401816  0.932146
3  0.011763  0.022921  0.244186
4  0.590198  0.325680  0.890392
5  0.598892  0.296424  0.007312
6  0.634625  0.803069  0.123872
7  0.924168  0.325076  0.303746
8  0.116822  0.364564  0.454607
9  0.986142  0.751953  0.561512

# pure python
In [170]: df[(df.a < df.b) & (df.b < df.c)]
Out[170]: 
          a         b         c
3  0.011763  0.022921  0.244186
8  0.116822  0.364564  0.454607

# query
In [171]: df.query('(a < b) & (b < c)')
Out[171]: 
          a         b         c
3  0.011763  0.022921  0.244186
8  0.116822  0.364564  0.454607

先頭にを付けることで、環境変数にアクセスすることもできます@

exclude = ('red', 'orange')
df.query('color not in @exclude')

1
パッケージをnumexprインストールするだけです。
MERose 2016年

4
私の場合、valは文字列なので、引用符が必要でした。df.query( 'col == "val"')
smerlung

28

を使用.queryした柔軟性の向上pandas >= 0.25.0

2019年8月更新された答え

このメソッドをpandas >= 0.25.0使用して、querypandasメソッドでデータフレームをフィルタリングしたり、スペースのある列名でさえフィルタリングしたりできるので。通常、列名のスペースはエラーになりますが、今ではバックティック( `)を使用してそれを解決できますGitHubを参照しください:

# Example dataframe
df = pd.DataFrame({'Sender email':['ex@example.com', "reply@shop.com", "buy@shop.com"]})

     Sender email
0  ex@example.com
1  reply@shop.com
2    buy@shop.com

.queryメソッドでの使用str.endswith

df.query('`Sender email`.str.endswith("@shop.com")')

出力

     Sender email
1  reply@shop.com
2    buy@shop.com

また@、クエリ内でプレフィックスを付けてローカル変数を使用することもできます。

domain = 'shop.com'
df.query('`Sender email`.str.endswith(@domain)')

出力

     Sender email
1  reply@shop.com
2    buy@shop.com

26

numpy.whereを使用すると、より高速な結果を得ることができます。

たとえば、unubtuのセットアップでは -

In [76]: df.iloc[np.where(df.A.values=='foo')]
Out[76]: 
     A      B  C   D
0  foo    one  0   0
2  foo    two  2   4
4  foo    two  4   8
6  foo    one  6  12
7  foo  three  7  14

タイミング比較:

In [68]: %timeit df.iloc[np.where(df.A.values=='foo')]  # fastest
1000 loops, best of 3: 380 µs per loop

In [69]: %timeit df.loc[df['A'] == 'foo']
1000 loops, best of 3: 745 µs per loop

In [71]: %timeit df.loc[df['A'].isin(['foo'])]
1000 loops, best of 3: 562 µs per loop

In [72]: %timeit df[df.A=='foo']
1000 loops, best of 3: 796 µs per loop

In [74]: %timeit df.query('(A=="foo")')  # slowest
1000 loops, best of 3: 1.71 ms per loop

24

ここに簡単な例があります

from pandas import DataFrame

# Create data set
d = {'Revenue':[100,111,222], 
     'Cost':[333,444,555]}
df = DataFrame(d)


# mask = Return True when the value in column "Revenue" is equal to 111
mask = df['Revenue'] == 111

print mask

# Result:
# 0    False
# 1     True
# 2    False
# Name: Revenue, dtype: bool


# Select * FROM df WHERE Revenue = 111
df[mask]

# Result:
#    Cost    Revenue
# 1  444     111

17

パンダの特定の値について、複数の列から特定の列のみを選択するには:

select col_name1, col_name2 from table where column_name = some_value.

オプション:

df.loc[df['column_name'] == some_value][[col_name1, col_name2]]

または

df.query['column_name' == 'some_value'][[col_name1, col_name2]]

16

この有名な質問に追加するには(少し遅すぎますが):df.groupby('column_name').get_group('column_desired_value').reset_index()特定の値を持つ指定された列で新しいデータフレームを作成することもできます。例えば

import pandas as pd
df = pd.DataFrame({'A': 'foo bar foo bar foo bar foo foo'.split(),
                   'B': 'one one two three two two one three'.split()})
print("Original dataframe:")
print(df)

b_is_two_dataframe = pd.DataFrame(df.groupby('B').get_group('two').reset_index()).drop('index', axis = 1) 
#NOTE: the final drop is to remove the extra index column returned by groupby object
print('Sub dataframe where B is two:')
print(b_is_two_dataframe)

これを実行すると、次のようになります。

Original dataframe:
     A      B
0  foo    one
1  bar    one
2  foo    two
3  bar  three
4  foo    two
5  bar    two
6  foo    one
7  foo  three
Sub dataframe where B is two:
     A    B
0  foo  two
1  foo  two
2  bar  two

すばらしい答えです。get_group()が自動的にデータフレームを返すため、2番目の(pd.DataFrame)は冗長であることを追加したいだけです。また、「drop = True」とだけ言うこともできますreset_index()。:つまり、それはに短縮することができます b_is_two_dataframe = df.groupby('B').get_group('two').reset_index(drop=True)
マウンテンスコット

7

.applyを使用することもできます。

df.apply(lambda row: row[df['B'].isin(['one','three'])])

実際には行ごとに機能します(つまり、各行に関数を適用します)。

出力は

   A      B  C   D
0  foo    one  0   0
1  bar    one  1   2
3  bar  three  3   6
6  foo    one  6  12
7  foo  three  7  14

結果は@unutbuで述べたように使用した場合と同じです

df[[df['B'].isin(['one','three'])]]
弊社のサイトを使用することにより、あなたは弊社のクッキーポリシーおよびプライバシーポリシーを読み、理解したものとみなされます。
Licensed under cc by-sa 3.0 with attribution required.