代码之家 › 专栏 › 技术社区 › DocDriven

根据条件从熊猫数据帧中删除特定行

indexing pandas python

DocDriven · 技术社区 · 8 年前

我有一个有几个列的数据框架[A,B,C,…,Z]。我想从数据框中删除所有行,这些行的属性是它们在列[b,c,…,z]中的值等于0(整数0)。

DF示例:

  A B C ... Z
0 3 0 0 ... 0 
1 1 0 0 ... 0
2 2 1 2 ... 3    <-- keep only this as it has values other than zero

我试着这样做:

df = df[(df.columns[1:] != 0).all()]

我不能让它工作。我对索引器的条件没有太多经验。我想避免一个为每一列链接零测试的解决方案。我相信有一个更优雅的解决方案。

谢谢!

编辑: 这个解决方案适用于一个人工创建的数据帧,但是当我在我的df上使用它时,它失败了,因为我读取了csv。文件如下:

A;B;C;D;E;F;G;H;I;J;K;L;M;N;O;P;Q;R;S;T;U;V;W;X;Y;Z
0;25310;169;81;0;0;0;12291181;31442;246;0;0;0;0;0;0;0;0;0;251;31696;0;0;329;0;0
1;6252727;20480;82;0;0;0;31088;85;245;0;0;0;0;0;0;0;0;0;20567;331;0;0;329;0;0
2;6032184;10961;82;0;0;0;31024;84;245;0;0;0;0;0;0;0;0;0;11046;330;0;0;329;0;0
3;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0
4;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0
5;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0
6;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0
7;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0
8;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0
9;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0
10;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0

我使用以下命令阅读:

import pandas as pd

# retrieve csv file as dataframe
df = pd.read_csv('PATH/TO/FILE'), 
                 decimal=',', 
                 sep=';')    

df[list(df)] = df[list(df)].astype('int') 

print(df)

df = df[(df.iloc[:, 1:] != 0).all(axis=1)]

print(df)

第一个print语句表明帧是正确读取的,但第二个print语句给出了一个空的数据帧。怎么会这样?

1 回复 | 直到 8 年前

jezrael 8 年前

使用 iloc 对于“选择不带第一个的所有列”:

df = df[(df.iloc[:, 1:] != 0).all(axis=1)]
print (df)
   A  B  C  Z
2  2  1  2  3

编辑:

df = df[(df.iloc[:, 1:] != 0).any(axis=1)]
print (df)
   A        B      C   D  E  F  G         H      I    J ...  Q  R  S      T  \
0  0    25310    169  81  0  0  0  12291181  31442  246 ...  0  0  0    251   
1  1  6252727  20480  82  0  0  0     31088     85  245 ...  0  0  0  20567   
2  2  6032184  10961  82  0  0  0     31024     84  245 ...  0  0  0  11046   

       U  V  W    X  Y  Z  
0  31696  0  0  329  0  0  
1    331  0  0  329  0  0  
2    330  0  0  329  0  0  

[3 rows x 26 columns]

推荐文章