如何使用'in'和'not in'在Pandas dataframe中进行过滤，就像在SQL中一样

Question

如何实现SQL的IN和NOT IN等价物？

我有一个包含所需值的列表。 下面是场景：

df = pd.DataFrame({'countries':['US','UK','Germany','China']})
countries = ['UK','China']

# pseudo-code:
df[df['countries'] not in countries]

我目前的做法如下：

df = pd.DataFrame({'countries':['US','UK','Germany','China']})
countries = pd.DataFrame({'countries':['UK','China'], 'matched':True})

# IN
df.merge(countries,how='inner',on='countries')

# NOT IN
not_in = df.merge(countries,how='left',on='countries')
not_in = not_in[pd.isnull(not_in['matched'])]

但这似乎是一个可怕的混乱。有人能改进吗？

Answer 1

使用.query()方法的替代解决方案：

In [5]: df.query("countries in @countries")
Out[5]:
  countries
1        UK
3     China

In [6]: df.query("countries not in @countries")
Out[6]:
  countries
0        US
2   Germany

Answer 2

您可以使用^{}。

用于“IN”用法：something.isin(somewhere)

或“不在”：~something.isin(somewhere)

例如：

>>> df
  countries
0        US
1        UK
2   Germany
3     China
>>> countries
['UK', 'China']
>>> df.countries.isin(countries)
0    False
1     True
2    False
3     True
Name: countries, dtype: bool
>>> df[df.countries.isin(countries)]
  countries
1        UK
3     China
>>> df[~df.countries.isin(countries)]
  countries
0        US
2   Germany

Answer 3

How to implement 'in' and 'not in' for a pandas DataFrame?

Pandas提供了两种方法：分别用于序列和数据帧的^{}和^{}。

---

基于一列筛选数据帧（也适用于序列）

最常见的情况是对特定列应用isin条件来筛选数据帧中的行。

df = pd.DataFrame({'countries': ['US', 'UK', 'Germany', np.nan, 'China']})
df
  countries
0        US
1        UK
2   Germany
3     China

c1 = ['UK', 'China']             # list
c2 = {'Germany'}                 # set
c3 = pd.Series(['China', 'US'])  # Series
c4 = np.array(['US', 'UK'])      # array

Series.isin接受各种类型作为输入。以下是获得你想要的一切的有效方法：

df['countries'].isin(c1)

0    False
1     True
2    False
3    False
4     True
Name: countries, dtype: bool

# `in` operation
df[df['countries'].isin(c1)]

  countries
1        UK
4     China

# `not in` operation
df[~df['countries'].isin(c1)]

  countries
0        US
2   Germany
3       NaN

# Filter with `set` (tuples work too)
df[df['countries'].isin(c2)]

  countries
2   Germany

# Filter with another Series
df[df['countries'].isin(c3)]

  countries
0        US
4     China

# Filter with array
df[df['countries'].isin(c4)]

  countries
0        US
1        UK

---

在许多列上筛选

有时，您会希望对多个列应用带有某些搜索词的“in”成员资格检查

df2 = pd.DataFrame({
    'A': ['x', 'y', 'z', 'q'], 'B': ['w', 'a', np.nan, 'x'], 'C': np.arange(4)})
df2

   A    B  C
0  x    w  0
1  y    a  1
2  z  NaN  2
3  q    x  3

c1 = ['x', 'w', 'p']

要将isin条件应用于“A”和“B”列，请使用DataFrame.isin：

df2[['A', 'B']].isin(c1)

      A      B
0   True   True
1  False  False
2  False  False
3  False   True

由此，要保留至少有一列是True的行，我们可以沿第一个轴使用any：

df2[['A', 'B']].isin(c1).any(axis=1)

0     True
1    False
2    False
3     True
dtype: bool

df2[df2[['A', 'B']].isin(c1).any(axis=1)]

   A  B  C
0  x  w  0
3  q  x  3

注意，如果要搜索每一列，只需省略列选择步骤并执行

df2.isin(c1).any(axis=1)

类似地，若要保留所有列都是True的行，请使用与以前相同的方式all。

df2[df2[['A', 'B']].isin(c1).all(axis=1)]

   A  B  C
0  x  w  0

---

值得注意的是：numpy.isin，query，列表理解（字符串数据）

除了上面描述的方法之外，您还可以使用numpy等价物：^{}。

# `in` operation
df[np.isin(df['countries'], c1)]

  countries
1        UK
4     China

# `not in` operation
df[np.isin(df['countries'], c1, invert=True)]

  countries
0        US
2   Germany
3       NaN

为什么值得考虑？由于开销较低，NumPy函数通常比pandas等价函数快一点。由于这是一个不依赖于索引对齐的元素操作，因此很少有情况下此方法不适合替换pandas'isin。

Pandas例程在处理字符串时通常是迭代的，因为字符串操作很难矢量化。There is a lot of evidence to suggest that list comprehensions will be faster here.。 我们现在要进行一次in检查。

c1_set = set(c1) # Using `in` with `sets` is a constant time operation... 
                 # This doesn't matter for pandas because the implementation differs.
# `in` operation
df[[x in c1_set for x in df['countries']]]

  countries
1        UK
4     China

# `not in` operation
df[[x not in c1_set for x in df['countries']]]

  countries
0        US
2   Germany
3       NaN

然而，指定它要困难得多，所以除非你知道自己在做什么，否则不要使用它。

最后，还有DataFrame.query，它已经包含在this answer中。新墨西哥自由贸易区！