【pandas】データフレームの行をdf[bool]・queryで絞り込む
当ページのリンクには広告が含まれています。
pandas.DataFrame操作では頻出のデータフレームの絞り込み。
- やり方が沢山あってよく分からない
- いざ使うときに忘れがち
この記事を読めば基本的な絞り込み方法をマスターできます。
この記事で分かること
データフレームの絞り込み方法が分かる
あわせて読みたい
【データの前処理・可視化】Pythonでのデータ処理まとめ
pythonでのデータ処理についてまとめました。 サンプルコード類 pandasを使った前処理 よく使う基本的な使い方 pythonのライブラリ「pandas」を使って、様々なcsvやExce…
目次
ライブラリのインポート・データ準備
import pandas as pd
import seaborn as sns必要なライブラリをインストールし
fmri = sns.load_dataset("fmri")
fmri.head()| subject | timepoint | event | region | signal | |
|---|---|---|---|---|---|
| 0 | s13 | 18 | stim | parietal | -0.017552 |
| 1 | s5 | 14 | stim | parietal | -0.080883 |
| 2 | s12 | 18 | stim | parietal | -0.081033 |
| 3 | s11 | 18 | stim | parietal | -0.046134 |
| 4 | s10 | 18 | stim | parietal | -0.037970 |
seabornからデータをロードします。
print(fmri.value_counts('event'))
print("-----")
print(fmri.value_counts('region'))
event
stim 532
cue 532
dtype: int64
-----
region
parietal 532
frontal 532
dtype: int64event, regionのカラムは2種類の項目を持ちます。
df[df[column] == x]
抽出の条件は、df[ ]内の値がTrueもしくはFalseかどうかで判別しています。
なので条件式をそのように組んでいきます。
基本形
DataFrame[ DataFrame[' column '] == x ]
データフレーム内で演算式を組みます。
fmri_cue = fmri[fmri['event'] == "cue"]
fmri_cue.head()| subject | timepoint | event | region | signal | |
|---|---|---|---|---|---|
| 532 | s3 | 4 | cue | parietal | 0.058219 |
| 533 | s6 | 5 | cue | parietal | 0.038145 |
| 534 | s7 | 5 | cue | parietal | -0.008158 |
| 535 | s8 | 5 | cue | parietal | 0.047136 |
| 536 | s9 | 5 | cue | parietal | 0.055847 |
eventが"cue"の値を抽出できました。value_counts()で確認してみます。
>>> fmri_cue.value_counts('event')
event
cue 532
dtype: int64しっかり抽出できています。
複数項目の絞り込み
複数項目での抽出の場合は「&・|・~」でつないで処理し
クエリを( )で囲います。
fmri_cue2 = fmri[(fmri['event'] == "cue") & (fmri['region'] != 'parietal')]
fmri_cue2.head()| subject | timepoint | event | region | signal | |
|---|---|---|---|---|---|
| 566 | s4 | 14 | cue | frontal | -0.026796 |
| 579 | s5 | 14 | cue | frontal | -0.017213 |
| 596 | s9 | 0 | cue | frontal | -0.008117 |
| 597 | s9 | 6 | cue | frontal | 0.026864 |
| 598 | s3 | 14 | cue | frontal | -0.030614 |
eventを"cue"、regionを"parietal"ではないもので抽出できました。
fmri_subject = fmri[(fmri['subject'] == "s4") | (fmri['subject'] == "s5")]
fmri_subject.head()| subject | timepoint | event | region | signal | |
|---|---|---|---|---|---|
| 1 | s5 | 14 | stim | parietal | -0.080883 |
| 9 | s5 | 18 | stim | parietal | -0.040557 |
| 10 | s4 | 18 | stim | parietal | -0.048812 |
| 23 | s5 | 17 | stim | parietal | -0.056682 |
| 24 | s4 | 17 | stim | parietal | -0.044582 |
subjectのs4もしくはs5で抽出できています。
しかし記載が面倒ですね・・・。これは後述するisin( )関数で簡単に記述できます。
in演算子の使い方
isin( )関数に値をリストで渡すことで使えます。
fmri_subject2 = fmri[fmri['subject'].isin(["s4","s5"])]
fmri_subject2.head()| subject | timepoint | event | region | signal | |
|---|---|---|---|---|---|
| 1 | s5 | 14 | stim | parietal | -0.080883 |
| 9 | s5 | 18 | stim | parietal | -0.040557 |
| 10 | s4 | 18 | stim | parietal | -0.048812 |
| 23 | s5 | 17 | stim | parietal | -0.056682 |
| 24 | s4 | 17 | stim | parietal | -0.044582 |
先ほどと同じ結果が得られました。
より直感的に記述する場合はdf.query( )関数を使ってみます。
df.query()
df.query( )でカラムと値を指定します。
基本形
fmri_stim = fmri.query('event == "stim"')
fmri_stim.head()| subject | timepoint | event | region | signal | |
|---|---|---|---|---|---|
| 0 | s13 | 18 | stim | parietal | -0.017552 |
| 1 | s5 | 14 | stim | parietal | -0.080883 |
| 2 | s12 | 18 | stim | parietal | -0.081033 |
| 3 | s11 | 18 | stim | parietal | -0.046134 |
| 4 | s10 | 18 | stim | parietal | -0.037970 |
df.query('column == "str" ')の形で抽出します。
また、時系列データの場合も同様でdf.query("column > '2020-12-31'")のようにします。
複数項目の絞り込み
複数項目で絞り込む場合には、and or notもしくは&, | , ~で使用可能です。
fmri_stim2 = fmri.query('event == "stim" & region != "parietal"')
fmri_stim2.head()| subject | timepoint | event | region | signal | |
|---|---|---|---|---|---|
| 67 | s0 | 0 | stim | frontal | -0.021452 |
| 170 | s2 | 6 | stim | frontal | 0.101050 |
| 267 | s10 | 4 | stim | frontal | 0.030044 |
| 268 | s11 | 4 | stim | frontal | 0.075957 |
| 269 | s3 | 0 | stim | frontal | 0.011056 |
in演算子の使い方
in, not inにて行います。
fmri_subject3 = fmri.query('subject not in ["s13", "s12"]')
fmri_subject3.head()| subject | timepoint | event | region | signal | |
|---|---|---|---|---|---|
| 1 | s5 | 14 | stim | parietal | -0.080883 |
| 3 | s11 | 18 | stim | parietal | -0.046134 |
| 4 | s10 | 18 | stim | parietal | -0.037970 |
| 5 | s9 | 18 | stim | parietal | -0.103513 |
| 6 | s8 | 18 | stim | parietal | -0.064408 |
欠損値の絞り込み
欠損値の確認をする場合には、df.query('column == column')とします。
欠損値(NaN)があるデータフレームを作成します。
from pandas import DataFrame
import numpy as np
df = DataFrame({
'A':["alpha","beta", np.nan],
'B':["ABC",np.nan,"GHI"]})
df| A | B | |
|---|---|---|
| 0 | alpha | ABC |
| 1 | beta | NaN |
| 2 | NaN | GHI |
A,Bともに欠損値があるので、Bのカラムに欠損値が無いものを絞り込みます。
df_new = df.query('B == B')
df_new| A | B | |
|---|---|---|
| 0 | alpha | ABC |
| 2 | NaN | GHI |
変数での指定
df.query( )では@変数で文字列内に変数が使えます。
subject_list = ["s13", "s12", "s11"]
event_value = "stim"
fmri_subject4 = fmri.query('subject in @subject_list and event != @event_value ')
fmri_subject4.head()| subject | timepoint | event | region | signal | |
|---|---|---|---|---|---|
| 540 | s12 | 5 | cue | parietal | 0.047577 |
| 551 | s13 | 4 | cue | parietal | 0.053692 |
| 552 | s12 | 4 | cue | parietal | 0.058198 |
| 553 | s11 | 4 | cue | parietal | 0.008013 |
| 561 | s11 | 2 | cue | parietal | -0.054846 |
これは使い勝手が良さそうです！
文字列での絞り込み
文字列の完全一致ではなく部分一致の場合は下記関数を用います。
| 関数 | 説明 |
|---|---|
| str.startswith( ) | 最初の文字列 |
| str.endswith( ) | 末尾の文字列 |
| str.contains( ) | 文字列を含む |
| str.match( ) | 正規表現にマッチ |
subjectカラムの先頭”s1″で始まる行
fmri_start = fmri.query('subject.str.startswith("s1")', engine='python')
fmri_start.head(3)| subject | timepoint | event | region | signal | |
|---|---|---|---|---|---|
| 0 | s13 | 18 | stim | parietal | -0.017552 |
| 2 | s12 | 18 | stim | parietal | -0.081033 |
| 3 | s11 | 18 | stim | parietal | -0.046134 |
subjectカラムの”0″で終わる行
fmri_end = fmri.query('subject.str.endswith("0")', engine='python')
fmri_end.head(3)| subject | timepoint | event | region | signal | |
|---|---|---|---|---|---|
| 4 | s10 | 18 | stim | parietal | -0.037970 |
| 14 | s0 | 18 | stim | parietal | -0.075570 |
| 18 | s10 | 17 | stim | parietal | -0.016847 |
subjectカラムの”2″を含む行
fmri_ct = fmri.query('subject.str.contains("2")', engine='python')
fmri_ct.head(3)| subject | timepoint | event | region | signal | |
|---|---|---|---|---|---|
| 2 | s12 | 18 | stim | parietal | -0.081033 |
| 12 | s2 | 18 | stim | parietal | -0.086623 |
| 16 | s12 | 17 | stim | parietal | -0.088512 |
オブジェクトの上書き
変数を入れずに上書きする場合には引数にinplace=Trueとします。
fmri.query('event == "stim"', inplace=True)
fmri.head()| subject | timepoint | event | region | signal | |
|---|---|---|---|---|---|
| 0 | s13 | 18 | stim | parietal | -0.017552 |
| 1 | s5 | 14 | stim | parietal | -0.080883 |
| 2 | s12 | 18 | stim | parietal | -0.081033 |
| 3 | s11 | 18 | stim | parietal | -0.046134 |
| 4 | s10 | 18 | stim | parietal | -0.037970 |
参考
pandas.DataFrame.query — pandas 1.2.0 documentation
機械学習・データ処理を学ぶのにおすすめの教材
じっくり書籍で学習するなら！
¥2,090 （2022/02/20 08:45時点 | Amazon調べ）
ポチップ
コメント