如何像在 SQL 中那样使用“in”和“not in”过滤 Pandas 数据帧

你可以使用 pd.系列.isin。

对于“IN”使用：something.isin(somewhere)

或者对于“不在”：~something.isin(somewhere)

举个工作的例子：

>>> df
    country
0        US
1        UK
2   Germany
3     China
>>> countries_to_keep
['UK', 'China']
>>> df.country.isin(countries_to_keep)
0    False
1     True
2    False
3     True
Name: country, dtype: bool
>>> df[df.country.isin(countries_to_keep)]
    country
1        UK
3     China
>>> df[~df.country.isin(countries_to_keep)]
    country
0        US
2   Germany

我通常对这样的行进行泛型过滤：

criterion = lambda row: row['countries'] not in countries
not_in = df[df.apply(criterion, axis=1)]

我想过滤掉具有 dfProfilesBusIds BUSINESS_ID BUSINESS_ID的 dfbc 行

dfbc = dfbc[~dfbc['BUSINESS_ID'].isin(dfProfilesBusIds['BUSINESS_ID'])]

使用 .query（） 方法的替代解决方案：

In [5]: df.query("country in @countries_to_keep")
Out[5]:
  countries
1        UK
3     China

In [6]: df.query("country not in @countries_to_keep")
Out[6]:
  countries
0        US
2   Germany

df = pd.DataFrame({'countries':['US','UK','Germany','China']})
countries = ['UK','China']

实施方式：

df[df.countries.isin(countries)]

在其他国家/地区实施：

df[df.countries.isin([x for x in np.unique(df.countries) if x not in countries])]

如何为 pandas DataFrame 实现“in”和“not in”？

Pandas 提供两种方法：Series.isin 和 DataFrame.isin，分别用于 Series 和 DataFrame。

---

基于一列筛选数据帧（也适用于系列）

最常见的方案是对特定列应用条件以筛选 DataFrame 中的行。isin

df = pd.DataFrame({'countries': ['US', 'UK', 'Germany', np.nan, 'China']})
df
  countries
0        US
1        UK
2   Germany
3     China

c1 = ['UK', 'China']             # list
c2 = {'Germany'}                 # set
c3 = pd.Series(['China', 'US'])  # Series
c4 = np.array(['US', 'UK'])      # array

Series.isin接受各种类型作为输入。以下是获得所需内容的所有有效方法：

df['countries'].isin(c1)

0    False
1     True
2    False
3    False
4     True
Name: countries, dtype: bool

# `in` operation
df[df['countries'].isin(c1)]

  countries
1        UK
4     China

# `not in` operation
df[~df['countries'].isin(c1)]

  countries
0        US
2   Germany
3       NaN

# Filter with `set` (tuples work too)
df[df['countries'].isin(c2)]

  countries
2   Germany

# Filter with another Series
df[df['countries'].isin(c3)]

  countries
0        US
4     China

# Filter with array
df[df['countries'].isin(c4)]

  countries
0        US
1        UK

---

对许多列进行筛选

有时，您需要在多个列上应用带有某些搜索词的“in”成员资格检查，

df2 = pd.DataFrame({
    'A': ['x', 'y', 'z', 'q'], 'B': ['w', 'a', np.nan, 'x'], 'C': np.arange(4)})
df2

   A    B  C
0  x    w  0
1  y    a  1
2  z  NaN  2
3  q    x  3

c1 = ['x', 'w', 'p']

要将条件应用于“A”和“B”列，请使用：isinDataFrame.isin

df2[['A', 'B']].isin(c1)

      A      B
0   True   True
1  False  False
2  False  False
3  False   True

由此，要保留至少有一列为 True 的行，我们可以沿第一个轴使用：any

df2[['A', 'B']].isin(c1).any(axis=1)

0     True
1    False
2    False
3     True
dtype: bool

df2[df2[['A', 'B']].isin(c1).any(axis=1)]

   A  B  C
0  x  w  0
3  q  x  3

请注意，如果要搜索每一列，只需省略列选择步骤并执行

df2.isin(c1).any(axis=1)

同样，若要保留 ALL 列为 True 的行，请以与以前相同的方式使用。all

df2[df2[['A', 'B']].isin(c1).all(axis=1)]

   A  B  C
0  x  w  0

---

值得注意的提及： ， ， list comprehensions （string data）numpy.isinquery

除了上述方法外，您还可以使用 numpy 等效项：numpy.isin。

# `in` operation
df[np.isin(df['countries'], c1)]

  countries
1        UK
4     China

# `not in` operation
df[np.isin(df['countries'], c1, invert=True)]

  countries
0        US
2   Germany
3       NaN

为什么值得考虑？由于开销较低，NumPy 函数通常比其 pandas 等效函数快一些。由于这是一个不依赖于索引对齐的元素操作，因此在极少数情况下，此方法不适合替代 pandas 的 .isin

Pandas 例程在处理字符串时通常是迭代的，因为字符串操作很难矢量化。有很多证据表明，这里的列表理解会更快。 我们现在求助于检查。in

c1_set = set(c1) # Using `in` with `sets` is a constant time operation... 
                 # This doesn't matter for pandas because the implementation differs.
# `in` operation
df[[x in c1_set for x in df['countries']]]

  countries
1        UK
4     China

# `not in` operation
df[[x not in c1_set for x in df['countries']]]

  countries
0        US
2   Germany
3       NaN

但是，指定起来要笨拙得多，因此除非您知道自己在做什么，否则不要使用它。

最后，这个答案中也涵盖了哪些内容。numexpr FTW！DataFrame.query

从答案中整理可能的解决方案：

对于 IN：df[df['A'].isin([3, 6])]

对于不在：

1. df[-df["A"].isin([3, 6])]

2. df[~df["A"].isin([3, 6])]

3. df[df["A"].isin([3, 6]) == False]

4. df[np.logical_not(df["A"].isin([3, 6]))]

如果您想保持列表的顺序，这是一个技巧：

df = pd.DataFrame({'country': ['US', 'UK', 'Germany', 'China']})
countries_to_keep = ['Germany', 'US']


ind=[df.index[df['country']==i].tolist() for i in countries_to_keep]
flat_ind=[item for sublist in ind for item in sublist]

df.reindex(flat_ind)

   country
2  Germany
0       US

我的 2c 值： 我需要 in 和 if 语句的组合来表示数据帧，这对我有用。

sale_method = pd.DataFrame(model_data["Sale Method"].str.upper())
sale_method["sale_classification"] = np.where(
    sale_method["Sale Method"].isin(["PRIVATE"]),
    "private",
    np.where(
        sale_method["Sale Method"].str.contains("AUCTION"), "auction", "other"
    ),
)

为什么没有人谈论各种过滤方法的性能？事实上，这个话题经常在这里弹出（见示例）。我对一个大型数据集进行了自己的性能测试。这是非常有趣和有启发性的。

df = pd.DataFrame({'animals': np.random.choice(['cat', 'dog', 'mouse', 'birds'], size=10**7), 
                   'number': np.random.randint(0,100, size=(10**7,))})

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 10000000 entries, 0 to 9999999
Data columns (total 2 columns):
 #   Column   Dtype 
---  ------   ----- 
 0   animals  object
 1   number   int64 
dtypes: int64(1), object(1)
memory usage: 152.6+ MB

%%timeit
# .isin() by one column
conditions = ['cat', 'dog']
df[df.animals.isin(conditions)]

367 ms ± 2.34 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

%%timeit
# .query() by one column
conditions = ['cat', 'dog']
df.query('animals in @conditions')

395 ms ± 3.9 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

%%timeit
# .loc[]
df.loc[(df.animals=='cat')|(df.animals=='dog')]

987 ms ± 5.17 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

%%timeit
df[df.apply(lambda x: x['animals'] in ['cat', 'dog'], axis=1)]

41.9 s ± 490 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

%%timeit
new_df = df.set_index('animals')
new_df.loc[['cat', 'dog'], :]

3.64 s ± 62.5 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

%%timeit
new_df = df.set_index('animals')
new_df[new_df.index.isin(['cat', 'dog'])]

469 ms ± 8.98 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

%%timeit
s = pd.Series(['cat', 'dog'], name='animals')
df.merge(s, on='animals', how='inner')

796 ms ± 30.9 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

因此，该方法被证明是最快的，而该方法是最慢的，这并不奇怪。isinapply()

您也可以在 .query（） 中使用 .isin（）：

df.query('country.isin(@countries_to_keep).values')

# Or alternatively:
df.query('country.isin(["UK", "China"]).values')

若要否定查询，请使用：~

df.query('~country.isin(@countries_to_keep).values')

---

更新：

另一种方法是使用比较运算符：

df.query('country == @countries_to_keep')

# Or alternatively:
df.query('country == ["UK", "China"]')

要否定查询，请使用：!=

df.query('country != @countries_to_keep')

groupby可用于将数据帧“拆分”为两个

如果目标是将一个数据帧划分为两个数据帧，其中一个数据帧具有要保留的国家/地区，而另一个数据帧没有，则可以在调用中使用调用创建的布尔掩码将数据帧拆分为两个：have 和 have-not。isingroupby

df = pd.DataFrame({'country': ['US', 'UK', 'Germany', 'China'], 'value': range(4)})
countries_to_keep = ['UK', 'China']
df1, df2 = [g for _, g in df.groupby(df['country'].isin(countries_to_keep))]

eval()也可以使用

query()建议在其他地方计算数值表达式。一个相关的方法是 。它可用于创建布尔掩码和过滤帧。它可以与可能在其他地方创建的其他蒙版一起使用，以实现更灵活的过滤。eval()

msk = df.eval('country in @countries_to_keep')
to_keep = df[msk]     # in
not_keep = df[~msk]   # not in

这很有用的一种特殊情况是，如果要使用条件筛选单个列，则内存效率非常低，因为它会创建筛选帧的副本，该副本需要再次针对单个列进行筛选，而使用布尔掩码列标签组合一次性选择该列。 可以做同样的事情。¹queryloceval()

df = pd.DataFrame({'country': ['US', 'UK', 'Germany', 'China']*25000})
df[[f"col{i}" for i in range(50)]] = np.random.rand(100000, 50)
countries_to_keep = ['UK', 'China']

filtered = df.loc[df.eval('country==@countries_to_keep'), 'col1']

¹ 内存分析器测试：

import numpy as np
import pandas as pd
%load_ext memory_profiler

df = pd.DataFrame({'country': ['US', 'UK', 'Germany', 'China']*25000})
df[[f"col{i}" for i in range(50)]] = np.random.rand(100000, 50)
countries_to_keep = ['UK', 'China']


%memit x = df.loc[df.eval('country==@countries_to_keep'), 'col1']
# peak memory: 157.28 MiB, increment: 5.44 MiB

%memit y = df.query('country==@countries_to_keep')['col1']
# peak memory: 195.39 MiB, increment: 38.11 MiB

%memit z = df.loc[df['country'].isin(countries_to_keep), 'col1']
# peak memory: 176.93 MiB, increment: 0.76 MiB