Pandas中的布尔索引

在布尔索引中，我们将根据DataFrame中数据的实际值来选择数据子集，而不是根据其行/列标签或整数位置。在布尔索引中，我们使用一个布尔矢量来过滤数据。

Pandas中的布尔索引

布尔索引是一种使用DataFrame中数据的实际值的索引类型。在布尔索引中，我们可以用四种方式过滤数据。

用一个布尔索引访问一个DataFrame
将布尔型掩码应用到数据框架中
基于列值的数据屏蔽
基于索引值的数据屏蔽

访问具有布尔索引的DataFrame

为了访问具有布尔索引的数据框架，我们必须创建一个数据框架，其中数据框架的索引包含一个布尔值，这个布尔值是 “真 “或 “假”。

示例

# importing pandas as pd
import pandas as pd
  
# dictionary of lists
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:

Pandas中的布尔索引

现在我们已经创建了一个带有布尔索引的数据框架，之后用户可以在布尔索引的帮助下访问一个数据框架。用户可以使用三个函数访问数据框架，即.loc[]、.iloc[]、.ix[] 。

使用.loc[]访问具有布尔索引的数据框架

为了使用.loc[]访问具有布尔索引的数据框架，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
  
# dictionary of lists
dict = {'name':["aparna", "pankaj", "sudhir", "Geeku"],
        'degree': ["MBA", "BCA", "M.Tech", "MBA"],
        'score':[90, 40, 80, 98]}
 
# creating a dataframe with boolean index
df = pd.DataFrame(dict, index = [True, False, True, False])
 
# accessing a dataframe using .loc[] function
print(df.loc[True])

输出:

Pandas中的布尔索引

使用.iloc[]访问具有布尔索引的数据框架

为了使用.iloc[]访问一个数据框架，我们必须传递一个布尔值（真或假），但是iloc[]函数只接受整数作为参数，所以它会抛出一个错误，所以我们只能在iloc[]函数中传递一个整数时访问一个数据框架。

代码 #1:

# importing pandas as pd
import pandas as pd
  
# dictionary of lists
dict = {'name':["aparna", "pankaj", "sudhir", "Geeku"],
        'degree': ["MBA", "BCA", "M.Tech", "MBA"],
        'score':[90, 40, 80, 98]}
 
# creating a dataframe with boolean index 
df = pd.DataFrame(dict, index = [True, False, True, False])
 
# accessing a dataframe using .iloc[] function
print(df.iloc[True])

输出:

TypeError

代码 #2:

# importing pandas as pd
import pandas as pd
  
# dictionary of lists
dict = {'name':["aparna", "pankaj", "sudhir", "Geeku"],
        'degree': ["MBA", "BCA", "M.Tech", "MBA"],
        'score':[90, 40, 80, 98]}
 
# creating a dataframe with boolean index 
df = pd.DataFrame(dict, index = [True, False, True, False])
  
 
# accessing a dataframe using .iloc[] function
print(df.iloc[1])

输出:

Pandas中的布尔索引

使用.ix[]访问具有布尔索引的数据框架

为了使用.ix[]访问数据框架，我们必须向.ix[]函数传递布尔值（真或假）和整数值，因为我们知道，.ix[]函数是.loc[]和.iloc[]函数的混合。

代码 #1:

# importing pandas as pd
import pandas as pd
  
# dictionary of lists
dict = {'name':["aparna", "pankaj", "sudhir", "Geeku"],
        'degree': ["MBA", "BCA", "M.Tech", "MBA"],
        'score':[90, 40, 80, 98]}
 
# creating a dataframe with boolean index
df = pd.DataFrame(dict, index = [True, False, True, False])
  
 
# accessing a dataframe using .ix[] function
print(df.ix[True])

输出:

Pandas中的布尔索引

代码 #2:

# importing pandas as pd
import pandas as pd
  
# dictionary of lists
dict = {'name':["aparna", "pankaj", "sudhir", "Geeku"],
        'degree': ["MBA", "BCA", "M.Tech", "MBA"],
        'score':[90, 40, 80, 98]}
 
# creating a dataframe with boolean index
df = pd.DataFrame(dict, index = [True, False, True, False])
  
 
# accessing a dataframe using .ix[] function
print(df.ix[1])

输出:

Pandas中的布尔索引

将一个布尔掩码应用于数据框架

在一个数据框架中，我们可以应用一个布尔掩码。为了做到这一点，我们可以使用 getitems 或 [] 访问器。我们可以通过给出一个长度与数据帧中包含的True和False相同的列表来应用一个布尔掩码。当我们应用一个布尔掩码时，它将只打印我们传递布尔值为True的那个数据帧。

代码 #1:

# importing pandas as pd
import pandas as pd
  
# dictionary of lists
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:

Pandas中的布尔索引

代码 #2:

# importing pandas package
import pandas as pd
  
# making data frame from csv file
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:

Pandas中的布尔索引

基于列值的数据屏蔽

在数据框架中，我们可以根据一个列的值来过滤数据。为了过滤数据，我们可以使用不同的操作符，如==、>、<、<=, >=</=,>，在数据框上应用某些条件。<=, >当我们将这些操作符应用于数据框时，会产生一系列的真和假。

代码 #1:

# importing pandas as pd
import pandas as pd
  
# dictionary of lists
dict = {'name':["aparna", "pankaj", "sudhir", "Geeku"],
        'degree': ["BCA", "BCA", "M.Tech", "BCA"],
        'score':[90, 40, 80, 98]}
 
# creating a dataframe
df = pd.DataFrame(dict)
  
# using a comparison operator for filtering of data
print(df['degree'] == 'BCA')

输出:

Pandas中的布尔索引

代码 #2:

# importing pandas package
import pandas as pd
  
# making data frame from csv file
data = pd.read_csv("nba.csv", index_col ="Name")
  
# using greater than operator for filtering of data
print(data['Age'] > 25)

输出:

Pandas中的布尔索引

基于索引值的数据屏蔽：

在一个数据框架中，我们可以根据一个列的值来过滤一个数据。为了过滤数据，我们可以使用不同的操作符，如==、>、<等，根据索引值创建一个屏蔽。

代码 #1:

# importing pandas as pd
import pandas as pd
  
# dictionary of lists
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:

Pandas中的布尔索引

代码 #2:

# importing pandas package
import pandas as pd
  
# making data frame from csv file
data = pd.read_csv("nba1.1.csv")
 
# giving a index to a dataframe
df = pd.DataFrame(data, index = [0, 1, 2, 3, 4, 5, 6,
                                 7, 8, 9, 10, 11, 12])
 
# filtering data on index value
mask = df.index > 7
 
print(df[mask])