如何有效率地過濾具有多個條件的 Pandas DataFrame 或 Series？

多條件高效過濾 Pandas DataFrame 或 Series

Pandas 提供了多種過濾資料的方法，包括 reindex()、apply() 和 map() 。然而，當應用多個過濾器時，效率就成為一個問題。

為了最佳化過濾，請考慮使用布林索引。 Pandas 和 Numpy 都支援布林索引，它直接對底層資料數組進行操作，而不會創建不必要的副本。

以下是布林索引的範例：

<code class="python">df.loc[df['col1'] >= 1, 'col1']</code>

此表達式傳回包含下列內容的 Pandas Series：僅列「col1」中的值大於或等於 1 的行。

要套用多個篩選器，請使用邏輯運算子「&」（AND）和「|」 （或）。例如：

<code class="python">df[(df['col1'] >= 1) & (df['col1'] <p>此表達式傳回一個 DataFrame，僅包含列「col1」中的值在 1 和 1 之間（含 1 和 1）的行。 </p>
<p>對於輔助函數，請考慮定義以下函數：取得一個 DataFrame 並傳回一個布林系列，讓您可以使用邏輯運算子組合多個篩選器。 </p>
<pre class="brush:php;toolbar:false"><code class="python">def b(x, col, op, n):
    return op(x[col],n)

def f(x, *b):
    return x[(np.logical_and(*b))]</code>

Pandas 0.13 引入了 query() 方法，該方法提供了一種更有效的方式來表達複雜的過濾條件。假設有效的列標識符，以下程式碼根據多個條件過濾DataFrame df：

<code class="python">df.query('col1 <p>總之，布林索引提供了一種有效的方法，可以將多個過濾器應用於Pandas DataFrame 或Series ，而無需建立不必要的副本。使用邏輯運算子和輔助函數組合多個篩選器以實現擴充功能。 </p></code>

以上是如何有效率地過濾具有多個條件的 Pandas DataFrame 或 Series？的詳細內容。更多資訊請關注PHP中文網其他相關文章！