将多个过滤器应用于pandas DataFrame或Series的有效方法

我有一种情况，用户想要将多个过滤器应用于Pandas DataFrame或Series对象。本质上，我想有效地将​​用户在运行时指定的一堆过滤（比较操作）链接在一起。

过滤器应为可加性的（又称每个过滤器应缩小结果）。

我当前正在使用，reindex()但这每次都会创建一个新对象并复制基础数据（如果我正确理解了文档）。因此，这在过滤大型Series或DataFrame时可能效率很低。

我认为使用apply()，map()或类似的方法可能更好。我对Pandas来说还很陌生，因此仍然想尽一切办法。

TL; DR

我想采用以下形式的字典，并将每个操作应用于给定的Series对象，并返回一个“过滤后的” Series对象。

relops = {'>=': [1], '<=': [1]}

长例子

我将从当前的示例开始，仅过滤单个Series对象。以下是我当前正在使用的功能：

   def apply_relops(series, relops):
        """
        Pass dictionary of relational operators to perform on given series object
        """
        for op, vals in relops.iteritems():
            op_func = ops[op]
            for val in vals:
                filtered = op_func(series, val)
                series = series.reindex(series[filtered])
        return series

用户向字典提供他们要执行的操作：

>>> df = pandas.DataFrame({'col1': [0, 1, 2], 'col2': [10, 11, 12]})
>>> print df
>>> print df
   col1  col2
0     0    10
1     1    11
2     2    12

>>> from operator import le, ge
>>> ops ={'>=': ge, '<=': le}
>>> apply_relops(df['col1'], {'>=': [1]})
col1
1       1
2       2
Name: col1
>>> apply_relops(df['col1'], relops = {'>=': [1], '<=': [1]})
col1
1       1
Name: col1

同样，上述方法的“问题”是，我认为中间步骤之间存在很多不必要的数据复制。

另外，我想对此进行扩展，以便传入的字典可以包括要操作的列，并根据输入字典过滤整个DataFrame。但是，我假设该系列的所有工作都可以轻松扩展到DataFrame。

熊猫（和numpy）允许使用布尔索引，这将更加高效：

In [11]: df.loc[df['col1'] >= 1, 'col1']
Out[11]: 
1    1
2    2
Name: col1

In [12]: df[df['col1'] >= 1]
Out[12]: 
   col1  col2
1     1    11
2     2    12

In [13]: df[(df['col1'] >= 1) & (df['col1'] <=1 )]
Out[13]: 
   col1  col2
1     1    11

如果要为此编写辅助函数，请考虑以下方面：

In [14]: def b(x, col, op, n): 
             return op(x[col],n)

In [15]: def f(x, *b):
             return x[(np.logical_and(*b))]

In [16]: b1 = b(df, 'col1', ge, 1)

In [17]: b2 = b(df, 'col1', le, 1)

In [18]: f(df, b1, b2)
Out[18]: 
   col1  col2
1     1    11

更新：pandas 0.13针对此类用例提供了一种查询方法，假设列名是有效的标识符，则可以进行以下工作（并且对于大型框架，在幕后使用numexpr可能更为有效）：

In [21]: df.query('col1 <= 1 & 1 <= col1')
Out[21]:
   col1  col2
1     1    11

链接条件会产生长行，而pep8不建议这样做。使用.query方法会强制使用字符串，该字符串功能强大但不具有Python特色，而且不是很动态。

一旦每个过滤器都安装到位，一种方法是

import numpy as np
import functools
def conjunction(*conditions):
    return functools.reduce(np.logical_and, conditions)

c_1 = data.col1 == True
c_2 = data.col2 < 64
c_3 = data.col3 != 4

data_filtered = data[conjunction(c1,c2,c3)]

np.ologic可以运行并且运行很快，但是不超过两个参数，这些参数由functools.reduce处理。

请注意，这仍然有一些冗余：a）快捷方式不会在全局级别上发生b）每个单独条件都在整个初始数据上运行。不过，我希望它对于许多应用程序都足够有效，并且可读性强。

最简单的解决方案：

用：

filtered_df = df[(df['col1'] >= 1) & (df['col1'] <= 5)]

另一个示例，要过滤数据框以查找属于Feb-2018的值，请使用以下代码

filtered_df = df[(df['year'] == 2018) & (df['month'] == 2)]

由于pandas 0.22更新，提供了比较选项，例如：

• gt（大于）
• lt（小于）
• eq（等于）
• ne（不等于）
• ge（大于或等于）

还有很多。这些函数返回布尔数组。让我们看看如何使用它们：

# sample data
df = pd.DataFrame({'col1': [0, 1, 2,3,4,5], 'col2': [10, 11, 12,13,14,15]})

# get values from col1 greater than or equals to 1
df.loc[df['col1'].ge(1),'col1']

1    1
2    2
3    3
4    4
5    5

# where co11 values is better 0 and 2
df.loc[df['col1'].between(0,2)]

 col1 col2
0   0   10
1   1   11
2   2   12

# where col1 > 1
df.loc[df['col1'].gt(1)]

 col1 col2
2   2   12
3   3   13
4   4   14
5   5   15

为什么不这样做呢？

def filt_spec(df, col, val, op):
    import operator
    ops = {'eq': operator.eq, 'neq': operator.ne, 'gt': operator.gt, 'ge': operator.ge, 'lt': operator.lt, 'le': operator.le}
    return df[ops[op](df[col], val)]
pandas.DataFrame.filt_spec = filt_spec

演示：

df = pd.DataFrame({'a': [1,2,3,4,5], 'b':[5,4,3,2,1]})
df.filt_spec('a', 2, 'ge')

结果：

   a  b
 1  2  4
 2  3  3
 3  4  2
 4  5  1

您可以看到列“ a”已被过滤，其中> = 2。

这比操作员链接略快（键入时间，而不是性能）。您当然可以将导入文件放在文件顶部。

e还可以基于不在列表中或不可迭代的列的值来选择行。我们将像以前一样创建布尔变量，但是现在我们将〜放在前面来否定布尔变量。

例如

list = [1, 0]
df[df.col1.isin(list)]