问题:根据涉及len(string)的条件表达式从pandas DataFrame删除行,从而给出KeyError
我有一个pandas DataFrame,我想从中删除行,其中特定列中字符串的长度大于2。
我希望能够做到这一点(根据此答案):
df[(len(df['column name']) < 2)]
但我只是得到错误:
KeyError: u'no item named False'
我究竟做错了什么?
(注意:我知道我可以df.dropna()
用来删除包含any的行NaN
,但是我没有看到如何根据条件表达式删除行。)
回答 0
当您这样做时,len(df['column name'])
您只会得到一个数字,即DataFrame中的行数(即列本身的长度)。如果要应用于len
列中的每个元素,请使用df['column name'].map(len)
。所以尝试
df[df['column name'].map(len) < 2]
回答 1
要直接回答该问题的原始标题“如何基于条件表达式从pandas DataFrame中删除行”(我理解这不一定是OP的问题,但可以帮助其他用户遇到此问题),一种方法是使用该降的方法:
df = df.drop(some labels)
df = df.drop(df[<some boolean condition>].index)
例
要删除列“得分”小于50的所有行:
df = df.drop(df[df.score < 50].index)
就地版本(如注释中所指出)
df.drop(df[df.score < 50].index, inplace=True)
多种条件
(请参阅布尔索引)
运算符是:
|
foror
,&
forand
和~
fornot
。这些必须通过使用括号进行分组。
删除列“得分”小于50和大于20的所有行
df = df.drop(df[(df.score < 50) & (df.score > 20)].index)
回答 2
您可以将分配给DataFrame
自身的过滤版本:
df = df[df.score > 50]
这比drop
:
%%timeit
test = pd.DataFrame({'x': np.random.randn(int(1e6))})
test = test[test.x < 0]
# 54.5 ms ± 2.02 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
%%timeit
test = pd.DataFrame({'x': np.random.randn(int(1e6))})
test.drop(test[test.x > 0].index, inplace=True)
# 201 ms ± 17.9 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
%%timeit
test = pd.DataFrame({'x': np.random.randn(int(1e6))})
test = test.drop(test[test.x > 0].index)
# 194 ms ± 7.03 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
回答 3
我将扩展@User的通用解决方案以提供一个 drop
免费的替代方案。这是针对根据问题标题(不是OP的问题)定向到此处的人员的
假设您要删除所有带有负值的行。一种班轮解决方案是:-
df = df[(df > 0).all(axis=1)]
逐步说明:-
让我们生成一个5×5随机正态分布数据帧
np.random.seed(0)
df = pd.DataFrame(np.random.randn(5,5), columns=list('ABCDE'))
A B C D E
0 1.764052 0.400157 0.978738 2.240893 1.867558
1 -0.977278 0.950088 -0.151357 -0.103219 0.410599
2 0.144044 1.454274 0.761038 0.121675 0.443863
3 0.333674 1.494079 -0.205158 0.313068 -0.854096
4 -2.552990 0.653619 0.864436 -0.742165 2.269755
设条件为删除负片。满足条件的布尔df:
df > 0
A B C D E
0 True True True True True
1 False True False False True
2 True True True True True
3 True True False True False
4 False True True False True
满足条件的所有行的布尔系列 注意,如果该行中的任何元素失败,则该行被标记为false
(df > 0).all(axis=1)
0 True
1 False
2 True
3 False
4 False
dtype: bool
最后根据条件从数据框中过滤出行
df[(df > 0).all(axis=1)]
A B C D E
0 1.764052 0.400157 0.978738 2.240893 1.867558
2 0.144044 1.454274 0.761038 0.121675 0.443863
您可以将其分配回df,以实际删除 vs 上面完成的过滤df = df[(df > 0).all(axis=1)]
可以很容易地扩展它以过滤出包含NaN的行(非数字项):df = df[(~df.isnull()).all(axis=1)]
对于以下情况,也可以简化此操作:删除E列为负的所有行
df = df[(df.E>0)]
我想以一些分析统计数据结尾,说明为什么@User的drop
解决方案比基于原始列的过滤要慢:-
%timeit df_new = df[(df.E>0)]
345 µs ± 10.5 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
%timeit dft.drop(dft[dft.E < 0].index, inplace=True)
890 µs ± 94.9 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
列基本上是Series
一个NumPy
数组,可以免费索引。对于那些对基础内存组织如何发挥执行速度感兴趣的人们,这里有一个很棒的链接:加速熊猫:
回答 4
在熊猫中,您可以str.len
处理边界,并使用布尔结果对其进行过滤。
df[df['column name'].str.len().lt(2)]
回答 5
如果要基于某些复杂的条件在列值上删除数据帧的行,则以上述方式编写代码可能会很复杂。我有以下始终有效的简单解决方案。让我们假设您要删除带有“ header”的列,因此首先在列表中获取该列。
text_data = df['name'].tolist()
现在将一些函数应用于列表的每个元素,并将其放入熊猫系列:
text_length = pd.Series([func(t) for t in text_data])
就我而言,我只是想获取令牌的数量:
text_length = pd.Series([len(t.split()) for t in text_data])
现在,在数据框中添加上述系列的另一列:
df = df.assign(text_length = text_length .values)
现在我们可以在新列上应用条件,例如:
df = df[df.text_length > 10]
def pass_filter(df, label, length, pass_type):
text_data = df[label].tolist()
text_length = pd.Series([len(t.split()) for t in text_data])
df = df.assign(text_length = text_length .values)
if pass_type == 'high':
df = df[df.text_length > length]
if pass_type == 'low':
df = df[df.text_length < length]
df = df.drop(columns=['text_length'])
return df