如何基于条件表达式从pandas DataFrame中删除行

Question

我有一个pandas DataFrame,我想删除它中的行,其中特定列中的字符串长度大于2.我知道我可以df.dropna()用来摆脱包含any的行NaN,但我没有看到如何基于条件表达式删除行.

这个问题的答案似乎与我想要的非常接近 - 似乎我应该能够做到这样的事情:

df[(len(df['column name']) < 2)]

但我得到错误:

KeyError: u'no item named False'

谁能告诉我我做错了什么？

Answer 1

要直接回答这个问题的标题(我理解的不一定是OP的问题,但可以帮助其他用户遇到这个问题),一种方法是使用drop方法:

df = df.drop(some labels)

df = df.drop(df[<some boolean condition>].index)

例

要删除列"得分"<50的所有行:

df = df.drop(df[df.score < 50].index)

就地版(正如评论中所指出)

df.drop(df[df.score < 50].index, inplace=True)

多种条件

(参见布尔索引)

运营商是:|for or,&for and和~for not.必须使用括号对这些进行分组.

删除列"得分"<50和> 20的所有行

df = df.drop(df[(df.score < 50) & (df.score > 20)].index)

Answer 2

当你这样做时,len(df['column name'])你只得到一个数字,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).所以试试吧

df[df['column name'].map(len) < 2]

Answer 3

我正在寻找一个解决方案,我偶然发现了一个明显的方法,即只过滤数据帧并分配回原始数据帧,

df = df[df.score > 50]

Answer 4

在 Pandas 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)]

Answer 5

我将扩展@User的通用解决方案以提供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5x5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

您可以分配回DF实际删除 VS 过滤器上面做ING
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，即可以免费索引的列。对于对基础内存组织如何发挥执行速度感兴趣的人们，这里有一个关于加速熊猫的好链接：

Answer 6

如果您想根据列值的某些复杂条件删除数据框的行，那么以上面所示的方式编写可能会很复杂。我有以下更简单的解决方案，它始终有效。让我们假设您想要删除带有“标题”的列，因此首先将该列放入列表中。

text_data = df['name'].tolist()

现在对列表的每个元素应用一些函数并将其放入熊猫系列中：

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一个额外的列，其中包含上述系列：

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