Selección con criterios complejos de pandas.DataFrame

Por ejemplo, tengo DF simple:

import pandas as pd
from random import randint

df = pd.DataFrame({'A': [randint(1, 9) for x in xrange(10)],
                   'B': [randint(1, 9)*10 for x in xrange(10)],
                   'C': [randint(1, 9)*100 for x in xrange(10)]})

¿Puedo seleccionar valores de 'A' para los cuales los valores correspondientes para 'B' serán mayores que 50, y para 'C' - no es igual a 900, usando métodos y expresiones idiomáticas de Pandas?

¡Por supuesto! Preparar:

>>> import pandas as pd
>>> from random import randint
>>> df = pd.DataFrame({'A': [randint(1, 9) for x in range(10)],
                   'B': [randint(1, 9)*10 for x in range(10)],
                   'C': [randint(1, 9)*100 for x in range(10)]})
>>> df
   A   B    C
0  9  40  300
1  9  70  700
2  5  70  900
3  8  80  900
4  7  50  200
5  9  30  900
6  2  80  700
7  2  80  400
8  5  80  300
9  7  70  800

Podemos aplicar operaciones de columna y obtener objetos de la serie booleana:

>>> df["B"] > 50
0    False
1     True
2     True
3     True
4    False
5    False
6     True
7     True
8     True
9     True
Name: B
>>> (df["B"] > 50) & (df["C"] == 900)
0    False
1    False
2     True
3     True
4    False
5    False
6    False
7    False
8    False
9    False

[Actualización, para cambiar a nuevo estilo .loc]:

Y luego podemos usarlos para indexar en el objeto. Para el acceso de lectura, puede encadenar índices:

>>> df["A"][(df["B"] > 50) & (df["C"] == 900)]
2    5
3    8
Name: A, dtype: int64

pero puede meterse en problemas debido a la diferencia entre una vista y una copia que hace esto para el acceso de escritura. Puedes usar .locen su lugar:

>>> df.loc[(df["B"] > 50) & (df["C"] == 900), "A"]
2    5
3    8
Name: A, dtype: int64
>>> df.loc[(df["B"] > 50) & (df["C"] == 900), "A"].values
array([5, 8], dtype=int64)
>>> df.loc[(df["B"] > 50) & (df["C"] == 900), "A"] *= 1000
>>> df
      A   B    C
0     9  40  300
1     9  70  700
2  5000  70  900
3  8000  80  900
4     7  50  200
5     9  30  900
6     2  80  700
7     2  80  400
8     5  80  300
9     7  70  800

Tenga en cuenta que accidentalmente escribí == 900y no != 900, o ~(df["C"] == 900), pero soy demasiado vago para arreglarlo. Ejercicio para el lector. : ^)

Otra solución es usar el método de consulta :

import pandas as pd

from random import randint
df = pd.DataFrame({'A': [randint(1, 9) for x in xrange(10)],
                   'B': [randint(1, 9) * 10 for x in xrange(10)],
                   'C': [randint(1, 9) * 100 for x in xrange(10)]})
print df

   A   B    C
0  7  20  300
1  7  80  700
2  4  90  100
3  4  30  900
4  7  80  200
5  7  60  800
6  3  80  900
7  9  40  100
8  6  40  100
9  3  10  600

print df.query('B > 50 and C != 900')

   A   B    C
1  7  80  700
2  4  90  100
4  7  80  200
5  7  60  800

Ahora, si desea cambiar los valores devueltos en la columna A, puede guardar su índice:

my_query_index = df.query('B > 50 & C != 900').index

.... y usar .ilocpara cambiarlos, es decir:

df.iloc[my_query_index, 0] = 5000

print df

      A   B    C
0     7  20  300
1  5000  80  700
2  5000  90  100
3     4  30  900
4  5000  80  200
5  5000  60  800
6     3  80  900
7     9  40  100
8     6  40  100
9     3  10  600

¡Y recuerda usar paréntesis!

Tenga en cuenta que el &operador tiene prioridad sobre los operadores como >o <etc. Es por eso que

4 < 5 & 6 > 4

evalúa a False. Por lo tanto, si está utilizando pd.loc, necesita poner corchetes alrededor de sus declaraciones lógicas, de lo contrario obtendrá un error. Por eso hacer:

df.loc[(df['A'] > 10) & (df['B'] < 15)]

en vez de

df.loc[df['A'] > 10 & df['B'] < 15]

lo que resultaría en

TypeError: no se puede comparar una matriz dtyped [float64] con un escalar de tipo [bool]

Puede usar pandas, tiene algunas funciones integradas para la comparación. Entonces, si desea seleccionar valores de "A" que se cumplan con las condiciones de "B" y "C" (suponiendo que desea recuperar un objeto pandas DataFrame)

df[['A']][df.B.gt(50) & df.C.ne(900)]

df[['A']] le devolverá la columna A en formato DataFrame.

La función pandas 'gt' devolverá las posiciones de la columna B que sean mayores que 50 y 'ne' devolverá las posiciones que no sean iguales a 900.