如何通过正则表达式从数据框中选择列

Question 1

我在python大熊猫中有一个数据框。数据框的结构如下：

   a    b    c    d1   d2   d3 
   10   14   12   44  45    78

我想选择以d开头的列。有没有一种简单的方法可以在python中实现这一点。

Question 2

您可以使用DataFrame.filter这种方式：

import pandas as pd

df = pd.DataFrame(np.array([[2,4,4],[4,3,3],[5,9,1]]),columns=['d','t','didi'])
>>
   d  t  didi
0  2  4     4
1  4  3     3
2  5  9     1

df.filter(regex=("d.*"))

>>
   d  didi
0  2     4
1  4     3
2  5     1

这个想法是通过选择列 regex

Question 3

用途select：

import pandas as pd

df = pd.DataFrame([[10, 14, 12, 44, 45, 78]], columns=['a', 'b', 'c', 'd1', 'd2', 'd3'])

df.select(lambda col: col.startswith('d'), axis=1)

结果：

   d1  d2  d3
0  44  45  78

如果您对正则表达式不满意，这是一个很好的解决方案。

Question 4

尤其是在较大的数据集上，矢量化方法实际上要快得多（超过两个数量级），而且可读性更高。我提供屏幕截图作为证明。（注意：除了我在底部写的最后几行用向量化的方法使我的观点清楚之外，其他代码均来自@Alexander的答案。）

这是供参考的代码：

import pandas as pd
import numpy as np
n = 10000
cols = ['{0}_{1}'.format(letters, number) 
        for number in range(n) for letters in ('d', 't', 'didi')]
df = pd.DataFrame(np.random.randn(30000, n * 3), columns=cols)

%timeit df[[c for c in df if c[0] == 'd']]

%timeit df[[c for c in df if c.startswith('d')]]

%timeit df.select(lambda col: col.startswith('d'), axis=1)

%timeit df.filter(regex=("d.*"))

%timeit df.filter(like='d')

%timeit df.filter(like='d', axis=1)

%timeit df.filter(regex=("d.*"), axis=1)

%timeit df.columns.map(lambda x: x.startswith("d"))

columnVals = df.columns.map(lambda x: x.startswith("d"))

%timeit df.filter(columnVals, axis=1)

Question 5

您可以使用列表推导来遍历DataFrame中的所有列名df，然后仅选择以'd'开头的列名。

df = pd.DataFrame({'a': {0: 10}, 'b': {0: 14}, 'c': {0: 12},
                   'd1': {0: 44}, 'd2': {0: 45}, 'd3': {0: 78}})

使用列表推导来遍历数据框中的列并返回其名称（c以下是表示列名称的局部变量）。

>>> [c for c in df]
['a', 'b', 'c', 'd1', 'd2', 'd3']

然后仅选择以“ d”开头的那些。

>>> [c for c in df if c[0] == 'd']  # As an alternative to c[0], use c.startswith(...)
['d1', 'd2', 'd3']

最后，将此列列表传递给DataFrame。

df[[c for c in df if c.startswith('d')]]
>>> df
   d1  d2  d3
0  44  45  78

=================================================== ========================

TIMINGS（devinbost在2018年2月发表的每条评论都声称此方法很慢...）

首先，让我们创建一个包含30k列的数据框：

n = 10000
cols = ['{0}_{1}'.format(letters, number) 
        for number in range(n) for letters in ('d', 't', 'didi')]
df = pd.DataFrame(np.random.randn(3, n * 3), columns=cols)
>>> df.shape
(3, 30000)

>>> %timeit df[[c for c in df if c[0] == 'd']]  # Simple list comprehension.
# 10 loops, best of 3: 16.4 ms per loop

>>> %timeit df[[c for c in df if c.startswith('d')]]  # More 'pythonic'?
# 10 loops, best of 3: 29.2 ms per loop

>>> %timeit df.select(lambda col: col.startswith('d'), axis=1)  # Solution of gbrener.
# 10 loops, best of 3: 21.4 ms per loop

>>> %timeit df.filter(regex=("d.*"))  # Accepted solution.
# 10 loops, best of 3: 40 ms per loop

Question 6

您也可以使用

df.filter(regex='^d')