如何获得熊猫系列的按元素逻辑非？

229

我有一个Series包含布尔值的pandas 对象。如何获得包含NOT每个值逻辑的序列？

例如，考虑一个包含以下内容的系列：

True
True
True
False

我想要获得的系列将包含：

False
False
False
True

这似乎应该相当简单，但是显然我放错了我的mojo =（

python pandas boolean-logic

— z
source

1

重要的是，数据不要包含object以下答案的类型，因此请使用：~ df.astype('bool')

— LearnOPhile

我已经在这篇文章中写了所有逻辑运算符。该职位还包括其他选择。

— cs95

259

要反转布尔系列，请使用~s：

In [7]: s = pd.Series([True, True, False, True])

In [8]: ~s
Out[8]: 
0    False
1    False
2     True
3    False
dtype: bool

使用Python2.7，NumPy 1.8.0，Pandas 0.13.1：

In [119]: s = pd.Series([True, True, False, True]*10000)

In [10]:  %timeit np.invert(s)
10000 loops, best of 3: 91.8 µs per loop

In [11]: %timeit ~s
10000 loops, best of 3: 73.5 µs per loop

In [12]: %timeit (-s)
10000 loops, best of 3: 73.5 µs per loop

从Pandas 0.13.0开始，Series不再是numpy.ndarray;的子类。它们现在是的子类pd.NDFrame。这可能与为什么np.invert(s)不再像~s或一样快有关-s。

注意：timeit结果可能取决于许多因素，包括硬件，编译器，操作系统，Python，NumPy和Pandas版本。

— Unutbu
source

适当注意。除了变慢之外，代字号和之间还有什么区别-？

— blz 2013年

Wierd，我实际上tilde对文档中提到的进行了测试，但它与np.invert：S的性能不同：

— root

@blz：至少在运行NumPy 1.6.2的Ubuntu计算机上np.invert(s)，~s和的性能-s都相同。

— unutbu 2013年

@root：我不确定为什么我们的时间结果之间会有如此大的差异，但这肯定会发生。您正在使用什么操作系统和NumPy版本？

— unutbu 2013年

同样在Ubuntu上，但是使用NumPy 1.7.0 ...（np.bitwise_not(s)执行与）相同np.inverse。

— 根

32

@unutbu的答案是正确的，只是想添加一个警告，说明您的蒙版必须是dtype bool，而不是'object'。也就是说，您的面具永远都不会有过。看到这里 -即使您的面具现在是不含纳米的，它仍将是“对象”类型。

“对象”系列的逆函数不会引发错误，相反，您将获得整数的垃圾掩码，这些掩码将无法按预期工作。

In[1]: df = pd.DataFrame({'A':[True, False, np.nan], 'B':[True, False, True]})
In[2]: df.dropna(inplace=True)
In[3]: df['A']
Out[3]:
0    True
1   False
Name: A, dtype object
In[4]: ~df['A']
Out[4]:
0   -2
0   -1
Name: A, dtype object

与同事讨论了这个问题之后，我得到了一个解释：看起来熊猫正在恢复按位运算符：

In [1]: ~True
Out[1]: -2

正如@geher所说，您可以先将其转换为具有astype的bool，然后再使用〜逆

~df['A'].astype(bool)
0    False
1     True
Name: A, dtype: bool
(~df['A']).astype(bool)
0    True
1    True
Name: A, dtype: bool

— JSharm
source

在您的示例中，可以使用.astype(bool)例如~df['A'].astype(bool)

— geher

之所以有效，astype(bool)是因为发生在~ ~df['A'].astype(bool)vs(~df['A']).astype(bool)

— JSharm

16

我只是试一试：

In [9]: s = Series([True, True, True, False])

In [10]: s
Out[10]: 
0     True
1     True
2     True
3    False

In [11]: -s
Out[11]: 
0    False
1    False
2    False
3     True

— Herrfz
source

我实际上尝试了除-！下次我会记住这一点。

— blz 2013年

6

您也可以使用numpy.invert：

In [1]: import numpy as np

In [2]: import pandas as pd

In [3]: s = pd.Series([True, True, False, True])

In [4]: np.invert(s)
Out[4]: 
0    False
1    False
2     True
3    False

编辑：性能差异出现在Ubuntu 12.04，Python 2.7，NumPy 1.7.0上-尽管使用NumPy 1.6.2似乎不存在：

In [5]: %timeit (-s)
10000 loops, best of 3: 26.8 us per loop

In [6]: %timeit np.invert(s)
100000 loops, best of 3: 7.85 us per loop

In [7]: %timeit ~s
10000 loops, best of 3: 27.3 us per loop

— 根
source

在其他平台上可能不正确。Win 7，python 3.6.3 numpy 1.13.3，pandas 0.20.3，（-s）是最快的，（〜s）是第二个，np.invert（s）是最慢的一个

— gaozhidf

0

NumPy较慢，因为它将输入强制转换为布尔值（因此None和0变为False，其他所有值变为True）。

import pandas as pd
import numpy as np
s = pd.Series([True, None, False, True])
np.logical_not(s)

给你

0    False
1     True
2     True
3    False
dtype: object

而〜s会崩溃。在大多数情况下，与NumPy相比，波浪号是一个更安全的选择。

熊猫0.25，小米1.17

— 格罗夫特
source