用pandas在多列中选择
我在pandas中有一个数据框 df，这个数据框是通过 pandas.read_table 从一个csv文件创建的。这个数据框有好几列，并且是通过其中一列来索引的（这列的值是唯一的，也就是说每一行在这列上的值都是不一样的）。
我想知道怎么根据一个“复杂”的条件来选择数据框中的行，这个条件是应用在多个列上的。比如，我可以很简单地选择出数据框中 colA 大于10的部分：
df_greater_than10 = df[df["colA"] > 10]
但是如果我想要一个条件，比如：选择 df 中任何一列的值大于10的部分呢？
或者说，选择 colA 大于10，但 colB 小于5的部分？
这些在pandas中是怎么实现的呢？谢谢。
3 个回答
自从这个问题被提问和回答以来，Pandas增加了一个查询功能。下面给出一个例子。
假设有这样一个样本数据框：
periods = 8
dates = pd.date_range('20170101', periods=periods)
rand_df = pd.DataFrame(np.random.randn(periods,4), index=dates,
columns=list('ABCD'))
下面的查询语法可以让你使用多个过滤条件，就像在选择语句中的“WHERE”子句一样。
rand_df.query("A < 0 or B < 0")
有关更多详细信息，请查看Pandas文档。
在Pandas中，有几种方法可以让语法变得更简洁，直到将来它有一个完整的查询API（也许我会尝试加入这个github项目，如果时间允许，并且没有其他人已经开始的话）。
下面是一种可以稍微简化语法的方法：
inds = df.apply(lambda x: x["A"]>10 and x["B"]<5, axis=1)
print df[inds].to_string()
要完全解决这个问题，需要在Pandas中构建类似SQL的选择和条件语句。这并不是一件简单的事，但我认为可以尝试的方法是使用Python的operator内置模块。这个模块让你可以把像大于这样的操作当作函数来使用，而不是符号。所以你可以这样做：
def pandas_select(dataframe, select_dict):
inds = dataframe.apply(lambda x: reduce(lambda v1,v2: v1 and v2,
[elem[0](x[key], elem[1])
for key,elem in select_dict.iteritems()]), axis=1)
return dataframe[inds]
然后像你那样的测试示例可以这样进行：
import operator
select_dict = {
"A":(operator.gt,10),
"B":(operator.lt,5)
}
print pandas_select(df, select_dict).to_string()
你还可以通过在pandas_select中添加更多参数，自动处理不同的常见逻辑运算符，或者用更短的名字将它们导入命名空间，进一步简化语法。
需要注意的是，上面的pandas_select函数只适用于逻辑与的约束链。如果你想要不同的逻辑行为，就需要对它进行修改。或者使用not和德摩根定律。
我建议你把这些问题发到邮件列表上，不过无论如何，处理底层的NumPy数组还是比较基础的事情。例如，如果你想选择某一行中任意一列的值超过1.5的行，可以这样做：
In [11]: df
Out[11]:
A B C D
2000-01-03 -0.59885 -0.18141 -0.68828 -0.77572
2000-01-04 0.83935 0.15993 0.95911 -1.12959
2000-01-05 2.80215 -0.10858 -1.62114 -0.20170
2000-01-06 0.71670 -0.26707 1.36029 1.74254
2000-01-07 -0.45749 0.22750 0.46291 -0.58431
2000-01-10 -0.78702 0.44006 -0.36881 -0.13884
2000-01-11 0.79577 -0.09198 0.14119 0.02668
2000-01-12 -0.32297 0.62332 1.93595 0.78024
2000-01-13 1.74683 -1.57738 -0.02134 0.11596
2000-01-14 -0.55613 0.92145 -0.22832 1.56631
2000-01-17 -0.55233 -0.28859 -1.18190 -0.80723
2000-01-18 0.73274 0.24387 0.88146 -0.94490
2000-01-19 0.56644 -0.49321 1.17584 -0.17585
2000-01-20 1.56441 0.62331 -0.26904 0.11952
2000-01-21 0.61834 0.17463 -1.62439 0.99103
2000-01-24 0.86378 -0.68111 -0.15788 -0.16670
2000-01-25 -1.12230 -0.16128 1.20401 1.08945
2000-01-26 -0.63115 0.76077 -0.92795 -2.17118
2000-01-27 1.37620 -1.10618 -0.37411 0.73780
2000-01-28 -1.40276 1.98372 1.47096 -1.38043
2000-01-31 0.54769 0.44100 -0.52775 0.84497
2000-02-01 0.12443 0.32880 -0.71361 1.31778
2000-02-02 -0.28986 -0.63931 0.88333 -2.58943
2000-02-03 0.54408 1.17928 -0.26795 -0.51681
2000-02-04 -0.07068 -1.29168 -0.59877 -1.45639
2000-02-07 -0.65483 -0.29584 -0.02722 0.31270
2000-02-08 -0.18529 -0.18701 -0.59132 -1.15239
2000-02-09 -2.28496 0.36352 1.11596 0.02293
2000-02-10 0.51054 0.97249 1.74501 0.20525
2000-02-11 0.10100 0.27722 0.65843 1.73591
In [12]: df[(df.values > 1.5).any(1)]
Out[12]:
A B C D
2000-01-05 2.8021 -0.1086 -1.62114 -0.2017
2000-01-06 0.7167 -0.2671 1.36029 1.7425
2000-01-12 -0.3230 0.6233 1.93595 0.7802
2000-01-13 1.7468 -1.5774 -0.02134 0.1160
2000-01-14 -0.5561 0.9215 -0.22832 1.5663
2000-01-20 1.5644 0.6233 -0.26904 0.1195
2000-01-28 -1.4028 1.9837 1.47096 -1.3804
2000-02-10 0.5105 0.9725 1.74501 0.2052
2000-02-11 0.1010 0.2772 0.65843 1.7359
在这里，你需要用&或|来组合多个条件（记得加上括号！）：
In [13]: df[(df['A'] > 1) | (df['B'] < -1)]
Out[13]:
A B C D
2000-01-05 2.80215 -0.1086 -1.62114 -0.2017
2000-01-13 1.74683 -1.5774 -0.02134 0.1160
2000-01-20 1.56441 0.6233 -0.26904 0.1195
2000-01-27 1.37620 -1.1062 -0.37411 0.7378
2000-02-04 -0.07068 -1.2917 -0.59877 -1.4564
我很希望能有一种查询API，让这些操作变得更简单。