如何确定 Pandas 列是不是包含特定值

Posted 2023-03-11

【中文标题】如何确定 Pandas 列是不是包含特定值

【英文标题】：How to determine whether a Pandas Column contains a particular value如何确定 Pandas 列是否包含特定值

【发布时间】：2014-02-14 16:40:46

【问题描述】：

我正在尝试确定 Pandas 列中是否存在具有特定值的条目。我试图用if x in df['id'] 来做到这一点。我认为这是可行的，除非我给它提供了一个我知道不在列 43 in df['id'] 中的值，它仍然返回 True。当我对仅包含与缺少的 id df[df['id'] == 43] 匹配的条目的数据框进行子集时，显然其中没有条目。如何确定 Pandas 数据框中的列是否包含特定值，为什么我当前的方法不起作用？ （仅供参考，当我将这个answer 中的实现用于类似问题时，我遇到了同样的问题）。

【参考方案1】：

in 的 Series 检查值是否在索引中：

In [11]: s = pd.Series(list('abc'))

In [12]: s
Out[12]: 
0    a
1    b
2    c
dtype: object

In [13]: 1 in s
Out[13]: True

In [14]: 'a' in s
Out[14]: False

一种选择是查看它是否在unique 值中：

In [21]: s.unique()
Out[21]: array(['a', 'b', 'c'], dtype=object)

In [22]: 'a' in s.unique()
Out[22]: True

或python集：

In [23]: set(s)
Out[23]: 'a', 'b', 'c'

In [24]: 'a' in set(s)
Out[24]: True

正如@DSM 所指出的，直接在值上使用 in 可能更有效（特别是如果您只是为一个值执行此操作）：

In [31]: s.values
Out[31]: array(['a', 'b', 'c'], dtype=object)

In [32]: 'a' in s.values
Out[32]: True

【讨论】：

我不想知道它是否一定是唯一的，主要是想知道它是否存在。

我认为 'a' in s.values 对于长系列应该更快。

@AndyHayden 你知道为什么对于'a' in s，pandas 选择检查索引而不是序列的值吗？在字典中他们检查键，但熊猫系列应该更像一个列表或数组，不是吗？

从 pandas 0.24.0 开始，使用 s.values 和 df.values 是非常不受欢迎的。见this。此外，s.values 在某些情况下实际上要慢得多。

@QusaiAlothman 既不是.to_numpy 也不是.array 在系列中可用，所以我不完全确定他们提倡什么替代方案（我没有读到“非常气馁”）。事实上，他们说 .values 可能不会返回一个 numpy 数组，例如在分类的情况下......但这很好，因为in 仍然可以按预期工作（实际上比它的 numpy 数组对应物更有效）

【参考方案2】：

你也可以使用pandas.Series.isin，虽然它比'a' in s.values长一点：

In [2]: s = pd.Series(list('abc'))

In [3]: s
Out[3]: 
0    a
1    b
2    c
dtype: object

In [3]: s.isin(['a'])
Out[3]: 
0    True
1    False
2    False
dtype: bool

In [4]: s[s.isin(['a'])].empty
Out[4]: False

In [5]: s[s.isin(['z'])].empty
Out[5]: True

但如果您需要一次为 DataFrame 匹配多个值，这种方法会更加灵活（请参阅DataFrame.isin）

>>> df = DataFrame('A': [1, 2, 3], 'B': [1, 4, 7])
>>> df.isin('A': [1, 3], 'B': [4, 7, 12])
       A      B
0   True  False  # Note that B didn't match 1 here.
1  False   True
2   True   True

【讨论】：

你也可以使用DataFrame.any()函数：s.isin(['a']).any()

【参考方案3】：

found = df[df['Column'].str.contains('Text_to_search')]
print(found.count())

found.count() 将包含匹配数

如果为 0，则表示在列中未找到字符串。

【讨论】：

为我工作，但我使用 len(found) 来获取计数

是的 len(found) 是一个更好的选择。

这种方法对我有用，但我必须为我的用例包含参数 na=False 和 regex=False，如下所述：pandas.pydata.org/pandas-docs/stable/reference/api/…

但是 string.contains 会进行子字符串搜索。例如：如果存在名为“head_hunter”的值。在 str.contains 中传递“head”匹配并给出错误的 True。

@karthikeyan 它没有错。取决于您的搜索上下文。如果您正在搜索地址或产品怎么办。您需要符合描述的所有产品。

【参考方案4】：

我做了一些简单的测试：

In [10]: x = pd.Series(range(1000000))

In [13]: timeit 999999 in x.values
567 µs ± 25.6 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [24]: timeit 9 in x.values
666 µs ± 15.7 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [16]: timeit (x == 999999).any()
6.86 ms ± 107 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [21]: timeit x.eq(999999).any()
7.03 ms ± 33.7 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [22]: timeit x.eq(9).any()
7.04 ms ± 60 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [15]: timeit x.isin([999999]).any()
9.54 ms ± 291 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [17]: timeit 999999 in set(x)
79.8 ms ± 1.98 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

有趣的是，查找 9 或 999999 并不重要，使用 in 语法似乎需要相同的时间（必须使用一些矢量化计算）

In [24]: timeit 9 in x.values
666 µs ± 15.7 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [25]: timeit 9999 in x.values
647 µs ± 5.21 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [26]: timeit 999999 in x.values
642 µs ± 2.11 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [27]: timeit 99199 in x.values
644 µs ± 5.31 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [28]: timeit 1 in x.values
667 µs ± 20.8 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

似乎使用 x.values 是最快的，但也许在 pandas 中有更优雅的方式？

【讨论】：

如果您将结果的顺序从最小到最大更改，那就太好了。干得好！

【参考方案5】：

或者使用Series.tolist或Series.any：

>>> s = pd.Series(list('abc'))
>>> s
0    a
1    b
2    c
dtype: object
>>> 'a' in s.tolist()
True
>>> (s=='a').any()
True

Series.tolist 列出了一个Series 的列表，而另一个我只是从普通的Series 得到一个布尔值Series，然后检查布尔值@ 中是否有Trues 987654329@.

【参考方案6】：

您可以尝试检查名为“id”的特定列中的特定值“x”

if x in df['id'].values

【参考方案7】：

简单条件：

if any(str(elem) in ['a','b'] for elem in df['column'].tolist()):

【参考方案8】：

使用

df[df['id']==x].index.tolist()

如果x 存在于id 中，那么它将返回它存在的索引列表，否则它会给出一个空列表。

【参考方案9】：

假设你的数据框看起来像：

现在您要检查文件名“80900026941984”是否存在于数据框中。

你可以简单地写：

if sum(df["filename"].astype("str").str.contains("80900026941984")) > 0:
    print("found")