如何将 Pandas DataFrame 的列和行子集转换为 numpy 数组？

Posted 2023-02-23

【中文标题】如何将 Pandas DataFrame 的列和行子集转换为 numpy 数组？

【英文标题】：How to convert a pandas DataFrame subset of columns AND rows into a numpy array?

【发布时间】：2013-07-14 23:48:54

【问题描述】：

我想知道是否有一种更简单、内存效率高的方法来从 pandas DataFrame 中选择行和列的子集。

例如，给定这个数据框：

df = DataFrame(np.random.rand(4,5), columns = list('abcde')) 打印 df 一个 b c d e 0 0.945686 0.000710 0.909158 0.892892 0.326670 1 0.919359 0.667057 0.462478 0.008204 0.473096 2 0.976163 0.621712 0.208423 0.980471 0.048334 3 0.459039 0.788318 0.309892 0.100539 0.753992

我只想要那些列“c”的值大于 0.5 的行，但我只需要这些行的列“b”和“e”。

这是我想出的方法——也许有更好的“熊猫”方法？

locs = [df.columns.get_loc(_) for _ in ['a', 'd']] 打印 df[df.c > 0.5][locs] 广告 0 0.945686 0.892892

我的最终目标是将结果转换为 numpy 数组以传递给 sklearn 回归算法，因此我将像这样使用上面的代码：

training_set = array(df[df.c > 0.5][locs])

... 这让我很恼火，因为我最终在内存中得到了一个巨大的数组副本。也许还有更好的方法？

【参考方案1】：

直接使用它的值：

In [79]: df[df.c > 0.5][['b', 'e']].values
Out[79]: 
array([[ 0.98836259,  0.82403141],
       [ 0.337358  ,  0.02054435],
       [ 0.29271728,  0.37813099],
       [ 0.70033513,  0.69919695]])

【讨论】：

我不知道 .values 属性。很不错！此外，由于您消除了单引号和括号，而是直接使用了 df.c，因此更加简洁。

不错，但它与as_matrix 有何不同？

只是一个更新，因为我只是想知道 as_matrix 和 .values 之间的区别（因为我只使用 .values）。事实证明，提供 as_matrix 只是为了向后兼容，建议使用 .values 代替。见pandas.pydata.org/pandas-docs/version/0.17.1/generated/…

遗憾的是 .values 不允许过滤或排序列。

【参考方案2】：

对于第一个问题，可能是这样的，您可以简单地通过名称访问列：

>>> df = pd.DataFrame(np.random.rand(4,5), columns = list('abcde'))
>>> df[df['c']>.5][['b','e']]
          b         e
1  0.071146  0.132145
2  0.495152  0.420219

对于第二个问题：

>>> df[df['c']>.5][['b','e']].values
array([[ 0.07114556,  0.13214495],
       [ 0.49515157,  0.42021946]])

【参考方案3】：

.loc 同时接受行和列选择器（.ix/.iloc 仅供参考） 这也是一次性完成的。

In [1]: df = DataFrame(np.random.rand(4,5), columns = list('abcde'))

In [2]: df
Out[2]: 
          a         b         c         d         e
0  0.669701  0.780497  0.955690  0.451573  0.232194
1  0.952762  0.585579  0.890801  0.643251  0.556220
2  0.900713  0.790938  0.952628  0.505775  0.582365
3  0.994205  0.330560  0.286694  0.125061  0.575153

In [5]: df.loc[df['c']>0.5,['a','d']]
Out[5]: 
          a         d
0  0.669701  0.451573
1  0.952762  0.643251
2  0.900713  0.505775

如果你想要这些值（尽管这应该直接传递给 sklearn）；框架支持数组接口

In [6]: df.loc[df['c']>0.5,['a','d']].values
Out[6]: 
array([[ 0.66970138,  0.45157274],
       [ 0.95276167,  0.64325143],
       [ 0.90071271,  0.50577509]])

【讨论】：

最优雅。 .ix 和 .loc 有什么区别？

loc 根本不会尝试使用数字（例如 1）作为位置参数（而是会引发）；查看主要的 pandas 文档/选择数据