在布尔索引中,我们将根据 DataFrame 中数据的实际值而不是它们的行/列标签或整数位置来选择数据子集。在布尔索引中,我们使用布尔向量来过滤数据。
布尔索引是一种使用 DataFrame 中数据的实际值的索引。在布尔索引中,我们可以通过四种方式过滤数据:
- 使用布尔索引访问 DataFrame
- 将布尔掩码应用于数据帧
- 根据列值屏蔽数据
- 根据索引值屏蔽数据
使用布尔索引访问 DataFrame
为了访问具有布尔索引的数据帧,我们必须创建一个数据帧,其中数据帧的索引包含一个布尔值,即“真”或“假”。
例子
1
2
3
4
5
6
7
8
9
10
11
|
# importing pandas as pd import pandas as pd # 列表字典 dict = { 'name' :[ "aparna" , "pankaj" , "sudhir" , "Geeku" ], 'degree' : [ "MBA" , "BCA" , "M.Tech" , "MBA" ], 'score' :[ 90 , 40 , 80 , 98 ]} df = pd.DataFrame( dict , index = [ True , False , True , False ]) print (df) |
输出:
现在我们已经创建了一个带有布尔索引的数据框,之后用户可以在布尔索引的帮助下访问数据框。用户可以使用 .loc[]、.iloc[]、.ix[] 三个函数访问数据帧
使用.loc[]访问具有布尔索引的数据框
为了使用 .loc[] 访问具有布尔索引的数据帧,我们只需在 .loc[] 函数中传递一个布尔值(True 或 False)。
1
2
3
4
5
6
7
8
9
10
11
12
13
|
# importing pandas as pd import pandas as pd # 列表字典 dict = { 'name' :[ "aparna" , "pankaj" , "sudhir" , "Geeku" ], 'degree' : [ "MBA" , "BCA" , "M.Tech" , "MBA" ], 'score' :[ 90 , 40 , 80 , 98 ]} # 使用布尔索引创建数据框 df = pd.DataFrame( dict , index = [ True , False , True , False ]) # 使用 .loc[] 函数访问数据框 print (df.loc[ True ]) |
输出:
使用.iloc[]访问具有布尔索引的数据框
为了使用 .iloc[] 访问数据帧,我们必须传递一个布尔值(True 或 False),但 iloc[] 函数只接受整数作为参数,因此它会抛出错误,因此我们只能在我们访问数据帧时访问在 iloc[] 函数中传递一个整数
代码#1:
1
2
3
4
5
6
7
8
9
10
11
12
13
|
# importing pandas as pd import pandas as pd # 列表字典 dict = { 'name' :[ "aparna" , "pankaj" , "sudhir" , "Geeku" ], 'degree' : [ "MBA" , "BCA" , "M.Tech" , "MBA" ], 'score' :[ 90 , 40 , 80 , 98 ]} # 使用布尔索引创建数据框 df = pd.DataFrame( dict , index = [ True , False , True , False ]) # 使用 .iloc[] 函数访问数据帧 print (df.iloc[ True ]) |
输出:
TypeError
代码#2:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
# importing pandas as pd import pandas as pd # 列表字典 dict = { 'name' :[ "aparna" , "pankaj" , "sudhir" , "Geeku" ], 'degree' : [ "MBA" , "BCA" , "M.Tech" , "MBA" ], 'score' :[ 90 , 40 , 80 , 98 ]} # 使用布尔索引创建数据框 df = pd.DataFrame( dict , index = [ True , False , True , False ]) # 使用 .iloc[] 函数访问数据帧 print (df.iloc[ 1 ]) |
输出:
使用.ix[]访问具有布尔索引的数据框
为了使用 .ix[] 访问数据帧,我们必须将布尔值(True 或 False)和整数值传递给 .ix[] 函数,因为我们知道 .ix[] 函数是 .loc[] 的混合体和 .iloc[] 函数。
代码#1:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
# importing pandas as pd import pandas as pd # 列表字典 dict = { 'name' :[ "aparna" , "pankaj" , "sudhir" , "Geeku" ], 'degree' : [ "MBA" , "BCA" , "M.Tech" , "MBA" ], 'score' :[ 90 , 40 , 80 , 98 ]} # 使用布尔索引创建数据框 df = pd.DataFrame( dict , index = [ True , False , True , False ]) # 使用 .ix[] 函数访问数据帧 print (df.ix[ True ]) |
输出:
代码#2:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
# importing pandas as pd import pandas as pd # 列表字典 dict = { 'name' :[ "aparna" , "pankaj" , "sudhir" , "Geeku" ], 'degree' : [ "MBA" , "BCA" , "M.Tech" , "MBA" ], 'score' :[ 90 , 40 , 80 , 98 ]} # 使用布尔索引创建数据框 df = pd.DataFrame( dict , index = [ True , False , True , False ]) # 使用 .ix[] 函数访问数据帧 print (df.ix[ 1 ]) |
输出:
将布尔掩码应用于数据框
在数据框中,我们可以应用布尔掩码。为此,我们可以使用 getitems 或 [] 访问器。我们可以通过给出与数据帧中包含的长度相同的 True 和 False 列表来应用布尔掩码。当我们应用布尔掩码时,它将仅打印我们传递布尔值 True 的数据帧。
代码#1:
1
2
3
4
5
6
7
8
9
10
11
12
13
|
# importing pandas as pd import pandas as pd # 列表字典 dict = { 'name' :[ "aparna" , "pankaj" , "sudhir" , "Geeku" ], 'degree' : [ "MBA" , "BCA" , "M.Tech" , "MBA" ], 'score' :[ 90 , 40 , 80 , 98 ]} df = pd.DataFrame( dict , index = [ 0 , 1 , 2 , 3 ]) print (df[[ True , False , True , False ]]) |
输出:
代码#2:
1
2
3
4
5
6
7
8
9
10
11
12
13
|
# importing pandas package import pandas as pd # 从csv文件制作数据框 data = pd.read_csv( "nba1.1.csv" ) df = pd.DataFrame(data, index = [ 0 , 1 , 2 , 3 , 4 , 5 , 6 , 7 , 8 , 9 , 10 , 11 , 12 ]) print (df[[ True , False , True , False , True , False , True , False , True , False , True , False , True ]]) |
输出:
根据列值屏蔽数据
在数据框中,我们可以根据列值过滤数据。为了过滤数据,我们可以使用不同的运算符对数据框应用某些条件,例如 ==、>、<、<=、>=。当我们将这些运算符应用于数据帧时,它会产生一系列真假。
代码#1:
1
2
3
4
5
6
7
8
9
10
11
12
13
|
# importing pandas as pd import pandas as pd # 列表字典 dict = { 'name' :[ "aparna" , "pankaj" , "sudhir" , "Geeku" ], 'degree' : [ "BCA" , "BCA" , "M.Tech" , "BCA" ], 'score' :[ 90 , 40 , 80 , 98 ]} # 创建数据框 df = pd.DataFrame( dict ) # 使用比较运算符过滤数据 print (df[ 'degree' ] = = 'BCA' ) |
输出:
代码#2:
1
2
3
4
5
6
7
8
|
# importing pandas package import pandas as pd # 从csv文件制作数据框 data = pd.read_csv( "nba.csv" , index_col = "Name" ) # 使用大于运算符过滤数据 print (data[ 'Age' ] > 25 ) |
输出:
根据索引值屏蔽数据:
在数据框中,我们可以根据列值过滤数据。为了过滤数据,我们可以使用 ==、>、< 等不同的运算符根据索引值创建掩码。
代码#1:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
# importing pandas as pd import pandas as pd # 列表字典 dict = { 'name' :[ "aparna" , "pankaj" , "sudhir" , "Geeku" ], 'degree' : [ "BCA" , "BCA" , "M.Tech" , "BCA" ], 'score' :[ 90 , 40 , 80 , 98 ]} df = pd.DataFrame( dict , index = [ 0 , 1 , 2 , 3 ]) mask = df.index = = 0 print (df[mask]) |
输出:
代码#2:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
# importing pandas package import pandas as pd # 从csv文件制作数据框 data = pd.read_csv( "nba1.1.csv" ) # 为数据框提供索引 df = pd.DataFrame(data, index = [ 0 , 1 , 2 , 3 , 4 , 5 , 6 , 7 , 8 , 9 , 10 , 11 , 12 ]) # 根据索引值过滤数据 mask = df.index > 7 print (df[mask]) |
输出:
以上就是Python Pandas中布尔索引的用法详解的详细内容,更多关于Python Pandas布尔索引的资料请关注服务器之家其它相关文章!
原文链接:https://juejin.cn/post/7137885620919074852