In [92]: df = pd.DataFrame({'a':[0,0,0,0,1], 'b':[1,1,0,0,1]})
In [93]: df
Out[93]:
a b
0 0 1
1 0 1
2 0 0
3 0 0
4 1 1
[5 rows x 2 columns]
In [94]: (df == 0).all(axis=1)
Out[94]:
0 False
1 False
2 True
3 True
4 False
dtype: bool
In [95]: df.loc[~(df == 0).all(axis=1)]
Out[95]:
a b
0 0 1
1 0 1
4 1 1
[3 rows x 2 columns]
df[~df.isin([0]).all(axis=1)]同样有效:
In [108]: df[~df.isin([0]).all(axis=1)]
Out[108]:
a b
0 0 1
1 0 1
4 1 1
但对于大型数据帧来说,速度可能较慢:
In [106]: df2 = pd.concat([df]*10000)
In [109]: %timeit df2.loc[~(df2 == 0).all(axis=1)]
100 loops, best of 3: 5.19 ms per loop
In [110]: %timeit df2[~df2.isin([0]).all(axis=1)]
10 loops, best of 3: 50.2 ms per loop
演示:
df[~df.isin([0]).all(axis=1)]
同样有效:但对于大型数据帧来说,速度可能较慢:
isin
在需要针对一组大的值测试成员身份时非常有用,但是对于一个值来说,它并不奇怪df == 0
更直接,速度更快。你知道吗相关问题 更多 >
编程相关推荐