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。
- ブールインデックス（
df[df['col'] == value]）
- 位置インデックス（
df.iloc[...]）
- ラベルのインデックス作成（
df.xs(...)）
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mask、numpy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)
対
%%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)
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)
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)