Логическое индексирование в пандах

Опубликовано: 28 Марта, 2022

При логическом индексировании мы будем выбирать подмножества данных на основе фактических значений данных в DataFrame, а не на их метках строк / столбцов или целочисленных положениях. В логической индексации мы используем логический вектор для фильтрации данных.

Логическое индексирование - это тип индексации, который использует фактические значения данных в DataFrame. При логическом индексировании мы можем фильтровать данные четырьмя способами:

  • Доступ к DataFrame с помощью логического индекса
  • Применение логической маски к фрейму данных
  • Маскирование данных на основе значения столбца
  • Маскирование данных на основе значения индекса

Accessing a DataFrame with a boolean index : 
In order to access a dataframe with a boolean index, we have to create a dataframe in which index of dataframe contains a boolean value that is “True” or “False”. For Example 
 

Python3

# importing pandas as pd
import pandas as pd
  
# dictionary of lists
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)

Выход:

Теперь мы создали фрейм данных с логическим индексом после того, как этот пользователь может получить доступ к фрейму данных с помощью логического индекса. Пользователь может получить доступ к фрейму данных с помощью трех функций: .loc [], .iloc [], .ix []

Доступ к Dataframe с помощью логического индекса с использованием .loc []

In order to access a dataframe with a boolean index using .loc[], we simply pass a boolean value (True or False) in a .loc[] function. 
 

Python3

# importing pandas as pd
import pandas as pd
  
# dictionary of lists
dict = {"name":["aparna", "pankaj", "sudhir", "Geeku"],
        "degree": ["MBA", "BCA", "M.Tech", "MBA"],
        "score":[90, 40, 80, 98]}
 
# creating a dataframe with boolean index
df = pd.DataFrame(dict, index = [True, False, True, False])
 
# accessing a dataframe using .loc[] function
print(df.loc[True])

Выход:

Доступ к Dataframe с помощью логического индекса с использованием .iloc []

In order to access a dataframe using .iloc[], we have to pass a boolean value (True or False)  but iloc[] function accept only integer as argument so it will throw an error so we can only access a dataframe when we pass a integer in iloc[] function 
Code #1: 
 

Python3

# importing pandas as pd
import pandas as pd
  
# dictionary of lists
dict = {"name":["aparna", "pankaj", "sudhir", "Geeku"],
        "degree": ["MBA", "BCA", "M.Tech", "MBA"],
        "score":[90, 40, 80, 98]}
 
# creating a dataframe with boolean index 
df = pd.DataFrame(dict, index = [True, False, True, False])
 
# accessing a dataframe using .iloc[] function
print(df.iloc[True])

Выход:

TypeError

Code #2: 
 

Python3

# importing pandas as pd
import pandas as pd
  
# dictionary of lists
dict = {"name":["aparna", "pankaj", "sudhir", "Geeku"],
        "degree": ["MBA", "BCA", "M.Tech", "MBA"],
        "score":[90, 40, 80, 98]}
 
# creating a dataframe with boolean index 
df = pd.DataFrame(dict, index = [True, False, True, False])
  
 
# accessing a dataframe using .iloc[] function
print(df.iloc[1])

Выход:

Доступ к Dataframe с помощью логического индекса с использованием .ix []

In order to access a dataframe using .ix[], we have to pass boolean value (True or False) and integer value to .ix[] function because as we know that .ix[] function is a hybrid of .loc[] and .iloc[] function. 
Code #1: 
 

Python3

# importing pandas as pd
import pandas as pd
  
# dictionary of lists
dict = {"name":["aparna", "pankaj", "sudhir", "Geeku"],
        "degree": ["MBA", "BCA", "M.Tech", "MBA"],
        "score":[90, 40, 80, 98]}
 
# creating a dataframe with boolean index
df = pd.DataFrame(dict, index = [True, False, True, False])
  
 
# accessing a dataframe using .ix[] function
print(df.ix[True])

Выход:

Code #2: 
 

Python

# importing pandas as pd
import pandas as pd
  
# dictionary of lists
dict = {"name":["aparna", "pankaj", "sudhir", "Geeku"],
        "degree": ["MBA", "BCA", "M.Tech", "MBA"],
        "score":[90, 40, 80, 98]}
 
# creating a dataframe with boolean index
df = pd.DataFrame(dict, index = [True, False, True, False])
  
 
# accessing a dataframe using .ix[] function
print(df.ix[1])

Выход:

  
Applying a boolean mask to a dataframe : 
In a dataframe we can apply a boolean mask in order to do that we, can use __getitems__ or [] accessor. We can apply a boolean mask by giving list of True and False of the same length as contain in a dataframe. When we apply a boolean mask it will print only that dataframe in which we pass a boolean value True. To download “nba1.1” CSV file click here.
Code #1: 
 

Python3

# importing pandas as pd
import pandas as pd
  
# dictionary of lists
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]])

Выход:

Code #2: 
 

Python3

# importing pandas package
import pandas as pd
  
# making data frame from csv file
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])
 
  
df[[True, False, True, False, True,
    False, True, False, True, False,
                True, False, True]]

Выход:

  
Masking data based on column value : 
In a dataframe we can filter a data based on a column value in order to filter data, we can apply certain condition on dataframe using different operator like ==, >, <, <=, >=. When we apply these operator on dataframe then it produce a Series of True and False. To download the “nba.csv” CSV, click here.
Code #1: 
 

Python

# importing pandas as pd
import pandas as pd
  
# dictionary of lists
dict = {"name":["aparna", "pankaj", "sudhir", "Geeku"],
        "degree": ["BCA", "BCA", "M.Tech", "BCA"],
        "score":[90, 40, 80, 98]}
 
# creating a dataframe
df = pd.DataFrame(dict)
  
# using a comparison operator for filtering of data
print(df["degree"] == "BCA")

Выход:

Code #2: 
 

Python

# importing pandas package
import pandas as pd
  
# making data frame from csv file
data = pd.read_csv("nba.csv", index_col ="Name")
  
# using greater than operator for filtering of data
print(data["Age"] > 25)

Выход:

  
Masking data based on index value : 
In a dataframe we can filter a data based on a column value in order to filter data, we can create a mask based on the index values using different operator like ==, >, <, etc… . To download “nba1.1” CSV file click here.
Code #1: 
 

Python3

# importing pandas as pd
import pandas as pd
  
# dictionary of lists
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])

Выход:

Code #2: 
 

Python3

# importing pandas package
import pandas as pd
  
# making data frame from csv file
data = pd.read_csv("nba1.1.csv")
 
# giving a index to a dataframe
df = pd.DataFrame(data, index = [0, 1, 2, 3, 4, 5, 6,
                                 7, 8, 9, 10, 11, 12])
 
# filtering data on index value
mask = df.index > 7
 
df[mask]

Выход:

Внимание компьютерщик! Укрепите свои основы с помощью базового курса программирования Python и изучите основы.

Для начала подготовьтесь к собеседованию. Расширьте свои концепции структур данных с помощью курса Python DS. А чтобы начать свое путешествие по машинному обучению, присоединяйтесь к курсу Машинное обучение - базовый уровень.

Python

РЕКОМЕНДУЕМЫЕ СТАТЬИ

Востребованность и актуальность Python в современной разработке
15 Мая, 2024
Как научиться программировать на Python
6 Июля, 2023
Линейный классификатор в Tensorflow
21 Февраля, 2023
Обнаружение рака кожи с помощью TensorFlow
21 Февраля, 2023
Прогнозирование цены Dogecoin с помощью машинного обучения
21 Февраля, 2023
Красивая печать XML в Python
21 Февраля, 2023
Прогнозирование права на получение ссуды с использованием моделей машинного обучения в Python
21 Февраля, 2023
Квантование цвета с использованием K-Means в Scikit Learn
21 Февраля, 2023