选择/排除pandas中的列集

Question

我想根据列选择从现有数据框创建视图或数据框.

例如,我想df2从数据框创建一个数据框,该数据框df1包含除其中两个列之外的所有列.我尝试了以下操作,但它不起作用:

import numpy as np
import pandas as pd

# Create a dataframe with columns A,B,C and D
df = pd.DataFrame(np.random.randn(100, 4), columns=list('ABCD'))

# Try to create a second dataframe df2 from df with all columns except 'B' and D
my_cols = set(df.columns)
my_cols.remove('B').remove('D')

# This returns an error ("unhashable type: set")
df2 = df[my_cols]

我究竟做错了什么？也许更一般地说,大熊猫有哪些机制支持从数据框中挑选和排除任意列的列？

Answer 1

您可以删除不需要的列或选择您需要的列

# Using DataFrame.drop
df.drop(df.columns[[1, 2]], axis=1, inplace=True)

# drop by Name
df1 = df1.drop(['B', 'C'], axis=1)

# Select the ones you want
df1 = df[['a','d']]

Answer 2

有一种新的索引方法叫做difference.它返回原始列,并删除作为参数传递的列.

df2 = df[df.columns.difference(['B', 'D'])]

在此,输出是用来滤除列B和D从df.

Answer 3

你真的不需要将它转换为集合:

cols = [col for col in df.columns if col not in ['B', 'D']]
df2 = df[cols]

Answer 4

另一种选择,不在循环中删除或过滤:

import numpy as np
import pandas as pd

# Create a dataframe with columns A,B,C and D
df = pd.DataFrame(np.random.randn(100, 4), columns=list('ABCD'))

# include the columns you want
df[df.columns[df.columns.isin(['A', 'B'])]]

# or more simply include columns:
df[['A', 'B']]

# exclude columns you don't want
df[df.columns[~df.columns.isin(['C','D'])]]

Answer 5

另请参阅内置DataFrame.filter功能.

简约但贪婪的方法(对于给定的df足够):

df.filter(regex="[^BD]")

保守/懒惰的方法(仅限完全匹配):

df.filter(regex="^(?!(B|D)$).*$")

保守和通用:

exclude_cols = ['B','C']
df.filter(regex="^(?!({0})$).*$".format('|'.join(exclude_cols)))

Answer 6

您有 4 列 A、B、C、D

这是选择新数据框所需列的更好方法：-

df2 = df1[['A','D']]

如果您想改用列号，请使用：-

df2 = df1[[0,3]]

Answer 7

你只需要转换set成一个list

import pandas as pd
df = pd.DataFrame(np.random.randn(100, 4), columns=list('ABCD'))
my_cols = set(df.columns)
my_cols.remove('B')
my_cols.remove('D')
my_cols = list(my_cols)
df2 = df[my_cols]

Answer 8

以下是创建排除列列表的副本的方法DataFrame：

df = pd.DataFrame(np.random.randn(100, 4), columns=list('ABCD'))
df2 = df.drop(['B', 'D'], axis=1)

不过要小心！您在问题中提到视图，这表明如果您进行了更改df，那么您也想df2进行更改。（就像数据库中的视图一样。）

此方法不能实现以下目的：

>>> df.loc[0, 'A'] = 999 # Change the first value in df
>>> df.head(1)
     A         B         C         D
0  999 -0.742688 -1.980673 -0.920133
>>> df2.head(1) # df2 is unchanged. It's not a view, it's a copy!
          A         C
0  0.251262 -1.980673

还请注意，@ piggybox的方法也是如此。（尽管该方法很好用，而且很流畅，而且是Pythonic的。我并没有这么做！！）

有关视图与副本的更多信息，请参见此SO答案以及该答案所指的Pandas文档的这一部分。

Answer 9

同样，在读取文件时，人们可能希望预先排除列，而不是浪费地将不需要的数据读入内存，然后再将其丢弃。

从 pandas 0.20.0 开始，usecols现在接受 callables。¹ 此更新允许更灵活的选项来读取列：

skipcols = [...]
read_csv(..., usecols=lambda x: x not in skipcols)

后一种模式本质上与传统usecols方法相反——仅跳过指定的列。

给定的

文件中的数据

import numpy as np
import pandas as pd


df = pd.DataFrame(np.random.randn(100, 4), columns=list('ABCD'))

filename = "foo.csv"
df.to_csv(filename)

代码

skipcols = ["B", "D"]
df1 = pd.read_csv(filename, usecols=lambda x: x not in skipcols, index_col=0)
df1

输出

          A         C
0  0.062350  0.076924
1 -0.016872  1.091446
2  0.213050  1.646109
3 -1.196928  1.153497
4 -0.628839 -0.856529
...

细节

数据帧已写入文件。然后它作为一个单独的 DataFrame 被读回，现在跳过不需要的列（B和D）。

请注意，对于 OP 的情况，由于数据已经创建，更好的方法是接受的答案，它从现有对象中删除不需要的列。然而，当直接从文件中读取数据到 DataFrame 中时，这里介绍的技术最有用。

^{_{在这个问题中提出了一个“skipcols”选项的请求，并在以后的问题中得到解决。}}