3 Métodos de Como selecionar linhas de um DataFrame com base nos valores da coluna?

3 Métodos de Como selecionar linhas de um DataFrame com base nos valores da coluna?

Como posso selecionar linhas de um DataFrame com base em valores em alguma coluna em Pandas?

No SQL, eu usaria:

SELECT *
FROM table
WHERE column_name = some_value

Veja abaixo 3 Métodos:

Método 1

Para selecionar linhas cujo valor da coluna é igual a um escalar, some_value, usar ==:

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

Para selecionar linhas cujo valor da coluna está em iterável, some_values, usar isin:

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

Combine várias condições com &:

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

Observe os parênteses. Devido ao Python’s regras de precedência do operador, & liga mais firmemente do que <= e >=. Assim, os parênteses no último exemplo são necessários. Sem os parênteses

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

é analisado como

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

que resulta em um O valor da verdade de uma série é um erro ambíguo.

Para selecionar linhas cujo valor da coluna não é igual some_value, usar !=:

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

isin retorna uma série booleana, portanto, para selecionar linhas cujo valor é não em some_values, negue a série booleana usando ~:

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

Por exemplo,

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'])

rendimentos

     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

Se você tiver vários valores que deseja incluir, coloque-os em um listar ( ou mais geralmente, qualquer iterável ) e usar isin:

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

rendimentos

     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

Observe, no entanto, que se você deseja fazer isso muitas vezes, é mais eficiente faça um índice primeiro e depois use df.loc:

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

rendimentos

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

ou, para incluir vários valores do uso do índice df.index.isin:

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

rendimentos

       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

Método 2

Os pandas equivalentes a

select * from table where column_name = some_value

é

table[table.column_name == some_value]

Várias condições:

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

ou

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

Exemplo de código

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

No código acima, é a linha df[df.foo == 222] que fornece as linhas com base no valor da coluna, 222 neste caso.

Várias condições também são possíveis:

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

Mas, nesse ponto, eu recomendaria usar o consulta função, pois é menos detalhado e produz o mesmo resultado:

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

Método 3

Mais flexibilidade usando .query com pandas > = 0,25.0:

Como pandas > = 0.25.0, podemos usar o query método para filtrar quadros de dados com métodos de pandas e até nomes de colunas que possuem espaços. Normalmente, os espaços nos nomes das colunas causariam um erro, mas agora podemos resolver isso usando um backtick ( `) – veja GitHub:

# 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

Usando .query com método str.endswith:

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

Saída

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

Também podemos usar variáveis locais prefixando-as com um @ em nossa consulta:

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

Saída

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

Conteúdo traduzido do stackoverflow

How do I select rows from a DataFrame based on column values?

Começando com python?

Veja mais sobre: 10 dicas e truques essenciais do Python para programadores