Python 教程之 Pandas(5)—— Pandas 中的布尔索引

简介: Python 教程之 Pandas(5)—— Pandas 中的布尔索引

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

# 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: 

image.png

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)。

# 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: 

image.png

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:

# 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:

# 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:

image.png

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:

# 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: 

image.png

代码#2:

# 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: 

image.png

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:

# 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: 

image.png

代码#2: \

# 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: 

image.png

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:

# 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: 

image.png

代码#2:

# 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: 

image.png

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:

# 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:

image.png

代码#2:

image.png

输出: 

image.png

目录
相关文章
|
9天前
|
数据可视化 DataX Python
Seaborn 教程-绘图函数
Seaborn 教程-绘图函数
40 8
|
9天前
Seaborn 教程-主题(Theme)
Seaborn 教程-主题(Theme)
30 7
|
9天前
|
Python
Seaborn 教程-模板(Context)
Seaborn 教程-模板(Context)
33 4
|
9天前
|
数据可视化 Python
Seaborn 教程
Seaborn 教程
26 5
|
1月前
|
Python
SciPy 教程 之 Scipy 显著性检验 9
SciPy 教程之 Scipy 显著性检验第9部分,介绍了显著性检验的基本概念、作用及原理,通过样本信息判断假设是否成立。着重讲解了使用scipy.stats模块进行显著性检验的方法,包括正态性检验中的偏度和峰度计算,以及如何利用normaltest()函数评估数据是否符合正态分布。示例代码展示了如何计算一组随机数的偏度和峰度。
28 1
|
1月前
|
BI Python
SciPy 教程 之 Scipy 显著性检验 8
本教程介绍SciPy中显著性检验的应用,包括如何利用scipy.stats模块进行显著性检验,以判断样本与总体假设间的差异是否显著。通过示例代码展示了如何使用describe()函数获取数组的统计描述信息,如观测次数、最小最大值、均值、方差等。
29 1
|
1月前
|
数据采集 数据可视化 数据处理
Python数据科学:Pandas库入门与实践
Python数据科学:Pandas库入门与实践
|
1月前
|
数据采集 存储 数据挖掘
Python数据分析:Pandas库的高效数据处理技巧
【10月更文挑战第27天】在数据分析领域,Python的Pandas库因其强大的数据处理能力而备受青睐。本文介绍了Pandas在数据导入、清洗、转换、聚合、时间序列分析和数据合并等方面的高效技巧,帮助数据分析师快速处理复杂数据集,提高工作效率。
75 0
|
3月前
|
机器学习/深度学习 数据处理 Python
从NumPy到Pandas:轻松转换Python数值库与数据处理利器
从NumPy到Pandas:轻松转换Python数值库与数据处理利器
107 0
|
1月前
|
存储 数据挖掘 数据处理
Python数据分析:Pandas库的高效数据处理技巧
【10月更文挑战第26天】Python 是数据分析领域的热门语言,Pandas 库以其高效的数据处理功能成为数据科学家的利器。本文介绍 Pandas 在数据读取、筛选、分组、转换和合并等方面的高效技巧,并通过示例代码展示其实际应用。
45 2