pandas query

query-字符串表达式查询 2019/1/6

1.函数:

df.query(expr,inplace = False,** kwargs )# 使用布尔表达式查询帧的列

参数:

# expr:str要评估的查询字符串。你可以在环境中引用变量,在它们前面添加一个'@'字符 。@a + b

# inplace=False:是否修改数据或返回副本

# kwargs:dict关键字参数

返回:DataFrame

注意:

# 默认修改Python语法'&'/'and'和'|'/'or'位运算符优先级高于布尔表达式,不同于Python

# 关键字参数parser='python'执行Python评估。

# engine='python' 用Python本身作为后端来传递评估表达式。不建议效率低。

# 默认实例df.index和 df.columns属性 DataFrame放在查询命名空间中,

# 这允许您将框架的索引和列视为框架中的列。标识符index用于帧索引;

# 您还可以使用索引的名称在查询中标识它。

性能:

    # 涉及NumPy数组或Pandas DataFrames的复合表达式都会导致隐式创建临时数组

    # eval/query用在数据(df.values.nbytes>1万)性能提升明显;传统方法在小数组时运行得更快;

    # eval/query好处主要时节省内存,以及有时候简洁得语法

    # 可用指定不同解析器和引擎来运行这些查询;参见"Enhancing Performance" 。

实例1:

df = pd.DataFrame(np.arange(12).reshape(3, 4), columns=list('ABCD'))


# 实例1.1:python,numexpr 方式比较

result1 = df[(df.A < 8) & (df.B < 9)] #python方式

result2 = pd.eval('df[(df.A < 8) & (df.B < 9)]')#numexpr 方式

np.allclose(result1, result2) # True

# 实例1.2:eval,query,比较

# 相同点:计算表达式结果

# 不同点:eval若表达式为逻辑,结果返回bool数组;query则返回bool数组的数据

import numexpr

result3= df[df.eval('A<8 & B<9')]

result4 = df.query('A < 8 and B < 9')

result3.equals(result4)                        #True 结果result1==result2==result3==result4

a=df.A;b=df.B

result5= df[numexpr.evaluate('(a<8) &(b < 9)')]#等效;表达式不能含df.A

实例2:

# 实例2:@符合来标记本地变量

Cmean = df['C'].mean() #6.0

result1 = df[(df.A < Cmean) & (df.B < Cmean)]

result1 = df.query('A < @Cmean and B < @Cmean')#等价

result1


实例3:多索引

# 实例3.1:列名

df.query('(A < B) & (B < C)') #numexpr 方式 A,B,C为列名

# 实例3.2:单索引名+列名

df.query('a < B and B < C')  #a为单索引名,B,C为列名

df.query('index < B < C')    #index为单索引(非索引名),B,C为列名

# 实例3.3:单索引名a与列名a相同

df.query('a > 2')            # 用列'a',单索引名a与列名a相同列名称优先

df.query('index > 2')        #index为单索引(非索引名),单索引名a与列名a相同列名称优先

# 实例3.4:列名为index- 应该考虑将列重命名

df.query('ilevel_0 > 2')      #ilevel_0为单索引(非索引名)

实例4:多索引MultiIndex

colors = np.random.choice(['red', 'blue'], size=6)

foods = np.random.choice(['eggs', 'meat'], size=6)

index = pd.MultiIndex.from_arrays([colors, foods], names=['color', 'food'])

df = pd.DataFrame(np.arange(12).reshape(6, 2), index=index)

df


# 实:4.1:索引名

df.query('color == "red"')

# 实例4.2:索引无名称

df.index.names = [None, None]

df.query('ilevel_0 == "red"') #ilevel_0第0级的索引级别

df.query('ilevel_1 == "meat"')#ilevel_1第1级的索引级别

实例5:

#实例5:多数据df - 具有相同列名(或索引级别/名称)

df1 = pd.DataFrame(np.arange(12).reshape(4,3), columns=list('abc'))+10

df2=df1+10

expr = '19 <= a <= c <= 22'

result=list(map(lambda frame: frame.query(expr), [df1, df2]))


实例6:

# 实例6:Python与pandas语法比较

# 完全类似numpy的语法

# 实例6.1:比较运算符,逻辑运算符

df = pd.DataFrame(np.random.randint(10, size=(10, 3)), columns=list('ABC'))

df.query('(A< B) & (B< C)')

df[(df.A < df.B) & (df.B < df.C)]

df.query('A< B & B < C')

df.query('A< B and B < C')

df.query('A < B < C') #全部等价

============================================================

# 实例6.2:==操作符与list对象的特殊用法

# ==/ !=工程,以类似in/not in

df.query('b == ["a", "b", "c"]')==df[df.b.isin(["a", "b", "c"])]

df.query('c == [1, 2]')

df.query('c != [1, 2]')

# using in/not in

df.query('[1, 2] in c')

df.query('[1, 2] not in c')

df[df.c.isin([1, 2])]# pure Python

============================================================

# 实例6.3:in与not in

df = pd.DataFrame({'a': list('abcdef'), 'b': list('fedfed'),'c': 5, 'd':5})


df.query('a in b and c < d') #与其他表达式结合获得非常简洁查询

df[df.b.isin(df.a) & (df.c < df.d)]

result1=df[df.a.isin(df.b)]

result2=df.query('a not in b')

result3=df[~df.a.isin(df.b)] # pure Python


============================================================

# 实例6.4:布尔运算符not或~运算符否定布尔表达式

df = pd.DataFrame(np.arange(9).reshape(3,3), columns=list('ABC'))

df['bools'] = df.eval('C>=5')

result1=df.query('not bools')

result2=(df.query('not bools') == df[~df.bools])


# 复杂表达式:

df.query('A < B< C and (not bools) or bools > 2')              #短查询语法

df[(df.A < df.B) & (df.B < df.C) & (~df.bools) | (df.bools > 2)]#等效于纯Python

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 151,688评论 1 330
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 64,559评论 1 273
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 101,749评论 0 226
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 42,581评论 0 191
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 50,741评论 3 271
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 39,684评论 1 192
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 31,122评论 2 292
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 29,847评论 0 182
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 33,441评论 0 228
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 29,939评论 2 232
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 31,333评论 1 242
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 27,783评论 2 236
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 32,275评论 3 220
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 25,830评论 0 8
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 26,444评论 0 180
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 34,553评论 2 249
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 34,618评论 2 249