Python Pandas中布尔索引的用法详解
更新时间：2022年08月31日 14:09:56 作者：海拥
布尔索引是一种使用 DataFrame 中数据的实际值的索引。本文将通过一些示例为大家详细讲讲Python中布尔索引的用法，需要的可以参考一下
在布尔索引中，我们将根据 DataFrame 中数据的实际值而不是它们的行/列标签或整数位置来选择数据子集。在布尔索引中，我们使用布尔向量来过滤数据。
布尔索引是一种使用 DataFrame 中数据的实际值的索引。在布尔索引中，我们可以通过四种方式过滤数据：
- 使用布尔索引访问 DataFrame
- 将布尔掩码应用于数据帧
- 根据列值屏蔽数据
- 根据索引值屏蔽数据
使用布尔索引访问 DataFrame
为了访问具有布尔索引的数据帧，我们必须创建一个数据帧，其中数据帧的索引包含一个布尔值，即“真”或“假”。
例子
# importing pandas as pd
import pandas as pd
# 列表字典
dict = {'name':["aparna", "pankaj", "sudhir", "Geeku"],
'degree': ["MBA", "BCA", "M.Tech", "MBA"],
'score':[90, 40, 80, 98]}
df = pd.DataFrame(dict, index = [True, False, True, False])
print(df)
输出：
现在我们已经创建了一个带有布尔索引的数据框，之后用户可以在布尔索引的帮助下访问数据框。用户可以使用 .loc[]、.iloc[]、.ix[] 三个函数访问数据帧
使用.loc[]访问具有布尔索引的数据框
为了使用 .loc[] 访问具有布尔索引的数据帧，我们只需在 .loc[] 函数中传递一个布尔值（True 或 False）。
# importing pandas as pd
import pandas as pd
# 列表字典
dict = {'name':["aparna", "pankaj", "sudhir", "Geeku"],
'degree': ["MBA", "BCA", "M.Tech", "MBA"],
'score':[90, 40, 80, 98]}
# 使用布尔索引创建数据框
df = pd.DataFrame(dict, index = [True, False, True, False])
# 使用 .loc[] 函数访问数据框
print(df.loc[True])
输出：
使用.iloc[]访问具有布尔索引的数据框
为了使用 .iloc[] 访问数据帧，我们必须传递一个布尔值（True 或 False），但 iloc[] 函数只接受整数作为参数，因此它会抛出错误，因此我们只能在我们访问数据帧时访问在 iloc[] 函数中传递一个整数
代码#1：
# importing pandas as pd
import pandas as pd
# 列表字典
dict = {'name':["aparna", "pankaj", "sudhir", "Geeku"],
'degree': ["MBA", "BCA", "M.Tech", "MBA"],
'score':[90, 40, 80, 98]}
# 使用布尔索引创建数据框
df = pd.DataFrame(dict, index = [True, False, True, False])
# 使用 .iloc[] 函数访问数据帧
print(df.iloc[True])
输出：
TypeError
代码#2：
# importing pandas as pd
import pandas as pd
# 列表字典
dict = {'name':["aparna", "pankaj", "sudhir", "Geeku"],
'degree': ["MBA", "BCA", "M.Tech", "MBA"],
'score':[90, 40, 80, 98]}
# 使用布尔索引创建数据框
df = pd.DataFrame(dict, index = [True, False, True, False])
# 使用 .iloc[] 函数访问数据帧
print(df.iloc[1])
输出：
使用.ix[]访问具有布尔索引的数据框
为了使用 .ix[] 访问数据帧，我们必须将布尔值（True 或 False）和整数值传递给 .ix[] 函数，因为我们知道 .ix[] 函数是 .loc[] 的混合体和 .iloc[] 函数。
代码#1：
# importing pandas as pd
import pandas as pd
# 列表字典
dict = {'name':["aparna", "pankaj", "sudhir", "Geeku"],
'degree': ["MBA", "BCA", "M.Tech", "MBA"],
'score':[90, 40, 80, 98]}
# 使用布尔索引创建数据框
df = pd.DataFrame(dict, index = [True, False, True, False])
# 使用 .ix[] 函数访问数据帧
print(df.ix[True])
输出：
代码#2：
# importing pandas as pd
import pandas as pd
# 列表字典
dict = {'name':["aparna", "pankaj", "sudhir", "Geeku"],
'degree': ["MBA", "BCA", "M.Tech", "MBA"],
'score':[90, 40, 80, 98]}
# 使用布尔索引创建数据框
df = pd.DataFrame(dict, index = [True, False, True, False])
# 使用 .ix[] 函数访问数据帧
print(df.ix[1])
输出：
将布尔掩码应用于数据框
在数据框中，我们可以应用布尔掩码。为此，我们可以使用 getitems 或 [] 访问器。我们可以通过给出与数据帧中包含的长度相同的 True 和 False 列表来应用布尔掩码。当我们应用布尔掩码时，它将仅打印我们传递布尔值 True 的数据帧。
代码#1：
# importing pandas as pd
import pandas as pd
# 列表字典
dict = {'name':["aparna", "pankaj", "sudhir", "Geeku"],
'degree': ["MBA", "BCA", "M.Tech", "MBA"],
'score':[90, 40, 80, 98]}
df = pd.DataFrame(dict, index = [0, 1, 2, 3])
print(df[[True, False, True, False]])
输出：
代码#2：
# importing pandas package
import pandas as pd
# 从csv文件制作数据框
data = pd.read_csv("nba1.1.csv")
df = pd.DataFrame(data, index = [0, 1, 2, 3, 4, 5, 6,
7, 8, 9, 10, 11, 12])
print(df[[True, False, True, False, True,
False, True, False, True, False,
True, False, True]])输出：
根据列值屏蔽数据
在数据框中，我们可以根据列值过滤数据。为了过滤数据，我们可以使用不同的运算符对数据框应用某些条件，例如 ==、>、<、<=、>=。当我们将这些运算符应用于数据帧时，它会产生一系列真假。
代码#1：
# importing pandas as pd
import pandas as pd
# 列表字典
dict = {'name':["aparna", "pankaj", "sudhir", "Geeku"],
'degree': ["BCA", "BCA", "M.Tech", "BCA"],
'score':[90, 40, 80, 98]}
# 创建数据框
df = pd.DataFrame(dict)
# 使用比较运算符过滤数据
print(df['degree'] == 'BCA')
输出：
代码#2：
# importing pandas package
import pandas as pd
# 从csv文件制作数据框
data = pd.read_csv("nba.csv", index_col ="Name")
# 使用大于运算符过滤数据
print(data['Age'] > 25)
输出：
根据索引值屏蔽数据：
在数据框中，我们可以根据列值过滤数据。为了过滤数据，我们可以使用 ==、>、< 等不同的运算符根据索引值创建掩码。
代码#1：
# importing pandas as pd
import pandas as pd
# 列表字典
dict = {'name':["aparna", "pankaj", "sudhir", "Geeku"],
'degree': ["BCA", "BCA", "M.Tech", "BCA"],
'score':[90, 40, 80, 98]}
df = pd.DataFrame(dict, index = [0, 1, 2, 3])
mask = df.index == 0
print(df[mask])
输出：
代码#2：
# importing pandas package
import pandas as pd
# 从csv文件制作数据框
data = pd.read_csv("nba1.1.csv")
# 为数据框提供索引
df = pd.DataFrame(data, index = [0, 1, 2, 3, 4, 5, 6,
7, 8, 9, 10, 11, 12])
# 根据索引值过滤数据
mask = df.index > 7
print(df[mask])
输出：
以上就是Python Pandas中布尔索引的用法详解的详细内容，更多关于Python Pandas布尔索引的资料请关注脚本之家其它相关文章！
相关文章
这篇文章主要介绍了python读写csv文件的方法，本文通过实例代码给大家介绍的非常详细，具有一定的参考借鉴价值 ,需要的朋友可以参考下2019-08-08
这篇文章主要给大家假关节的是Python字典和集合，字典是Python内置的数据结构之一，是一个无序的序列；而集合是python语言提供的内置数据结构，没有value的字典，集合类型与其他类型最大的区别在于，它不包含重复元素。想具体了解有关python字典与集合，请看下面文章内容2021-10-10
在本篇内容里小编给大家整理的是一篇关于python方差检验的含义及用法，有需要的朋友们可以跟着学习参考下。2021-07-07
这篇文章主要介绍了django跳转页面传参的实现，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2020-09-09
这篇文章主要介绍了Django框架视图介绍与使用,结合实例形式分析了Django框架视图的功能、配置、使用方法及相关操作注意事项,需要的朋友可以参考下2019-07-07
Python Web框架Flask信号机制(signals)介绍
这篇文章主要介绍了Python Web框架Flask信号机制(signals)介绍,本文介绍Flask的信号机制,讲述信号的用途,并给出创建信号、订阅信号、发送信号的方法,需要的朋友可以参考下2015-01-01
哈喽，哈喽~今天小编又来分享小游戏了——flappy bird（飞扬的小鸟），这个游戏非常的经典，游戏中玩家必须控制一只小鸟，跨越由各种不同长度水管所组成的障碍2022-02-02
这篇文章主要为大家介绍了POC漏洞批量验证程序Python脚本编写的完整示例代码，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步2022-02-02
这篇文章主要介绍了Python实现两个list求交集，并集，差集的方法,结合实例形式分析了Python使用intersection、union及difference方法实现两个集合list的交集、并集与差集操作技巧,需要的朋友可以参考下2018-08-08
这篇文章主要介绍的是利用Python实现的一个简易的多人聊天室，文中的示例代码讲解详细，对学习Python有一定的帮助，感兴趣的可以学习一下2021-12-12
最新评论