选择/排除熊猫中的列集[重复]

Question

我想根据列选择从现有数据框创建视图或数据框。

例如，我想从数据框 df1 创建一个数据框 df2，其中包含除其中两个之外的所有列。我尝试执行以下操作，但没有成功：

import numpy as np
import pandas as pd

# Create a dataframe with columns A,B,C and D
df = pd.DataFrame(np.random.randn(100, 4), columns=list('ABCD'))

# Try to create a second dataframe df2 from df with all columns except 'B' and D
my_cols = set(df.columns)
my_cols.remove('B').remove('D')

# This returns an error ("unhashable type: set")
df2 = df[my_cols]

我做错了什么？也许更一般地说，pandas 有什么机制来支持从数据帧中选择和排除任意列集？

Answer 1

您只需将您的set 转换为list

import pandas as pd
df = pd.DataFrame(np.random.randn(100, 4), columns=list('ABCD'))
my_cols = set(df.columns)
my_cols.remove('B')
my_cols.remove('D')
my_cols = list(my_cols)
df2 = df[my_cols]

Answer 2

你真的不需要把它转换成一个集合：

cols = [col for col in df.columns if col not in ['B', 'D']]
df2 = df[cols]

Answer 3

以下是创建DataFrame 的副本的方法，不包括列列表：

df = pd.DataFrame(np.random.randn(100, 4), columns=list('ABCD'))
df2 = df.drop(['B', 'D'], axis=1)

但要小心！您在问题中提到了观点，暗示如果您更改了df，您希望df2 也进行更改。 （就像数据库中的视图一样。）

此方法无法实现：

>>> df.loc[0, 'A'] = 999 # Change the first value in df
>>> df.head(1)
     A         B         C         D
0  999 -0.742688 -1.980673 -0.920133
>>> df2.head(1) # df2 is unchanged. It's not a view, it's a copy!
          A         C
0  0.251262 -1.980673

还要注意@piggybox 的方法也是如此。 （虽然这种方法很好，很漂亮，而且 Pythonic。我不会这样做！！）

有关视图与副本的更多信息，请参阅该答案所指的 this SO answer 和 this part of the Pandas docs。

Answer 4

还可以查看内置的DataFrame.filter 函数。

简约但贪婪的方法（对于给定的df就足够了）：

df.filter(regex="[^BD]")

保守/惰性方法（仅精确匹配）：

df.filter(regex="^(?!(B|D)$).*$")

保守和通用：

exclude_cols = ['B','C']
df.filter(regex="^(?!({0})$).*$".format('|'.join(exclude_cols)))

Answer 5

您可以删除不需要的列或选择您需要的列

# Using DataFrame.drop
df.drop(df.columns[[1, 2]], axis=1, inplace=True)

# drop by Name
df1 = df1.drop(['B', 'C'], axis=1)

# Select the ones you want
df1 = df[['a','d']]

Answer 6

有一个名为difference 的新索引方法。它返回原始列，并删除作为参数传递的列。

这里，结果用于从df 中删除列B 和D：

df2 = df[df.columns.difference(['B', 'D'])]

注意，它是基于集合的方法，所以重复的列名会导致问题，并且列顺序可能会改变。

---

优势优于drop：当您只需要列列表时，您无需创建整个数据框的副本。例如，为了在列的子集上删除重复项：

# may create a copy of the dataframe
subset = df.drop(['B', 'D'], axis=1).columns

# does not create a copy the dataframe
subset = df.columns.difference(['B', 'D'])

df = df.drop_duplicates(subset=subset)

Answer 7

与此类似，在读取文件时，可能希望预先排除列，而不是浪费地将不需要的数据读入内存并随后丢弃它们。

从 pandas 0.20.0 开始，usecols now accepts callables。¹此更新允许更灵活的选项来读取列：

skipcols = [...]
read_csv(..., usecols=lambda x: x not in skipcols)

后一种模式本质上与传统的 usecols 方法相反 - 仅跳过指定的列。

---

给定

文件中的数据

import numpy as np
import pandas as pd


df = pd.DataFrame(np.random.randn(100, 4), columns=list('ABCD'))

filename = "foo.csv"
df.to_csv(filename)

代码

skipcols = ["B", "D"]
df1 = pd.read_csv(filename, usecols=lambda x: x not in skipcols, index_col=0)
df1

输出

          A         C
0  0.062350  0.076924
1 -0.016872  1.091446
2  0.213050  1.646109
3 -1.196928  1.153497
4 -0.628839 -0.856529
...

详情

DataFrame 已写入文件。然后将其作为单独的 DataFrame 读回，现在跳过不需要的列（B 和 D）。

请注意，对于 OP 的情况，由于已经创建了数据，因此更好的方法是接受的答案，即从现有对象中删除不需要的列。但是，这里介绍的技术在直接将文件中的数据读取到 DataFrame 时最有用。

^{_{在this issue 中提出了“skipcols”选项的请求，并在后来的issue 中得到解决。}}

Answer 8

您有 4 列 A、B、C、D

这是为新数据框选择所需列的更好方法：-

df2 = df1[['A','D']]

如果您希望使用列号，请使用：-

df2 = df1[[0,3]]

Answer 9

另一种选择，无需在循环中丢弃或过滤：

import numpy as np
import pandas as pd

# Create a dataframe with columns A,B,C and D
df = pd.DataFrame(np.random.randn(100, 4), columns=list('ABCD'))

# include the columns you want
df[df.columns[df.columns.isin(['A', 'B'])]]

# or more simply include columns:
df[['A', 'B']]

# exclude columns you don't want
df[df.columns[~df.columns.isin(['C','D'])]]

# or even simpler since 0.24
# with the caveat that it reorders columns alphabetically 
df[df.columns.difference(['C', 'D'])]