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Python3实现的字典遍历操作,结合实例形式分析了Python3针对字典键、键值及键值对遍历的相关操作技巧,需要的朋友可以参考下2018-04-04
这篇文章主要介绍了python中的bisect模块与二分查找详情，bisect是python的内置模块, 用于有序序列的插入和查找。 插入的数据不会影响列表的排序,更多详细内容需要的朋友可以参考一下2022-09-09
这篇文章主要介绍了Python读取键盘输入的2种方法,主要使用的就是raw_input函数和input函数,本文分别给出使用实例,需要的朋友可以参考下2015-06-06
这篇文章主要介绍了使用Mac时psycopg2导入PyCharm失败的解决方案,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教2024-01-01
今天小编就为大家分享一篇Python 实现顺序高斯消元法示例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2019-12-12
这篇文章主要介绍了在Python的Django框架中更新数据库数据,对此Django框架中提供了便利的插入和更新方法,需要的朋友可以参考下2015-07-07
这篇文章主要介绍了详解BeautifulSoup获取特定标签下内容的方法，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2020-12-12
2022年奥林匹克运动会如期举行，以不正确的方式进行运动风险在增加，人体姿势估计是计算机视觉领域的重要问题，接下来通过本文给大家介绍下使用OpenCV对运动员的姿势进行检测功能，感兴趣的朋友一起看看吧2022-02-02
当我们用Python编写程序时，有时候需要临时存储数据且不希望占用多少内存，这些情况下以创建临时文件的方式进行处理，既不会干扰本地文件系统，又安全省事。本文主要介绍了临时文件的一些妙用，希望大家能够喜欢2023-02-02
这篇文章主要为大家详细介绍了python实现静态web服务器，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2019-09-09
最新评论