给定一个包含“BoolCol”列的DataFrame，我们想要找到该DataFrame中“BoolCol”值等于True的索引。
我目前有一种迭代的方法可以完成这个任务，它完美地工作：
for i in range(100,3000):
if df.iloc[i]['BoolCol']== True:
print i,df.iloc[i]['BoolCol']
但这不是pandas正确的方式。经过一些研究，我目前正在使用以下代码：
df[df['BoolCol'] == True].index.tolist()
这个给我一个索引列表，但是当我通过执行以下操作来检查它们时，它们不匹配:
df.iloc[i]['BoolCol']
实际结果是False！
哪种方法是正确的pandas方法？
df.iloc[i] 返回 df 的第 i 行。注意，i 是从 0 开始计数的索引，不是行标签。
相反，index 属性返回实际的行标签，而不是数字行索引：
df.index[df['BoolCol'] == True].tolist()
df.index[df['BoolCol']].tolist()
如果您使用一个非默认索引的DataFrame，该索引与行的数字位置不相等，您就可以清楚地看到差异：
df = pd.DataFrame({'BoolCol': [True, False, False, True, True]},
index=[10,20,30,40,50])
In [53]: df
Out[53]:
BoolCol
10 True
20 False
30 False
40 True
50 True
[5 rows x 1 columns]
In [54]: df.index[df['BoolCol']].tolist()
Out[54]: [10, 40, 50]
In [56]: idx = df.index[df['BoolCol']]
In [57]: idx
Out[57]: Int64Index([10, 40, 50], dtype='int64')
那么您可以使用 loc 而不是 iloc 来选择行：
In [58]: df.loc[idx]
Out[58]:
BoolCol
10 True
40 True
50 True
[3 rows x 1 columns]
loc 还可以接受布尔数组：In [55]: df.loc[df['BoolCol']]
Out[55]:
BoolCol
10 True
40 True
50 True
[3 rows x 1 columns]
mask，并且需要序数索引值，可以使用np.flatnonzero来计算它们：In [110]: np.flatnonzero(df['BoolCol'])
Out[112]: array([0, 3, 4])
df.iloc按顺序索引选择行：In [113]: df.iloc[np.flatnonzero(df['BoolCol'])]
Out[113]:
BoolCol
10 True
40 True
50 True
import pandas as pd
import numpy as np
In [716]: df = pd.DataFrame({"gene_name": ['SLC45A1', 'NECAP2', 'CLIC4', 'ADC', 'AGBL4'] , "BoolCol": [False, True, False, True, True] },
index=list("abcde"))
In [717]: df
Out[717]:
BoolCol gene_name
a False SLC45A1
b True NECAP2
c False CLIC4
d True ADC
e True AGBL4
In [718]: np.where(df["BoolCol"] == True)
Out[718]: (array([1, 3, 4]),)
In [719]: select_indices = list(np.where(df["BoolCol"] == True)[0])
In [720]: df.iloc[select_indices]
Out[720]:
BoolCol gene_name
b True NECAP2
d True ADC
e True AGBL4
尽管您不总是需要索引进行匹配，但如果需要的话：
In [796]: df.iloc[select_indices].index
Out[796]: Index([u'b', u'd', u'e'], dtype='object')
In [797]: df.iloc[select_indices].index.tolist()
Out[797]: ['b', 'd', 'e']
df['BoolCol'].loc[lambda x: x==True].index
在过滤之前，重置DataFrame的索引是一种简单的方法：
df_reset = df.reset_index()
df_reset[df_reset['BoolCol']].index.tolist()
当目标列的类型为 bool 时，首先您可以检查 query (关于如何使用它，请查看链接)
df.query('BoolCol')
Out[123]:
BoolCol
10 True
40 True
50 True
在我们通过布尔列过滤原始数据框之后，我们可以选择索引。
df=df.query('BoolCol')
df.index
Out[125]: Int64Index([10, 40, 50], dtype='int64')
另外，Pandas有nonzero函数，它可以选择True行的位置并使用它对DataFrame或index进行切片。
df.index[df.BoolCol.values.nonzero()[0]]
Out[128]: Int64Index([10, 40, 50], dtype='int64')
另一种方法是使用pipe()将BoolCol的索引进行管道处理。在性能方面，它与使用[]进行的标准索引一样高效。1
df['BoolCol'].pipe(lambda x: x.index[x])
如果BoolCol实际上是多个比较的结果，并且您想要使用方法链将所有方法放入管道中，则此功能特别有用。
例如，如果您想要获取NumCol值大于0.5和BoolCol值为True且NumCol和BoolCol值的乘积大于0的行索引，则可以通过通过eval()计算表达式并在结果上调用pipe()来执行索引操作。2
df.eval("NumCol > 0.5 and BoolCol and NumCol * BoolCol >0").pipe(lambda x: x.index[x])
1: 以下基准测试使用了一个包含2000万行数据的dataframe（平均筛选了一半的行），并检索它们的索引。通过pipe()方法链进行操作相比其他高效选项表现非常出色。
n = 20_000_000
df = pd.DataFrame({'NumCol': np.random.rand(n).astype('float16'),
'BoolCol': np.random.default_rng().choice([True, False], size=n)})
%timeit df.index[df['BoolCol']]
# 181 ms ± 2.47 ms per loop (mean ± std. dev. of 10 runs, 1000 loops each)
%timeit df['BoolCol'].pipe(lambda x: x.index[x])
# 181 ms ± 1.08 ms per loop (mean ± std. dev. of 10 runs, 1000 loops each)
%timeit df['BoolCol'].loc[lambda x: x].index
# 297 ms ± 7.15 ms per loop (mean ± std. dev. of 10 runs, 1000 loops each)
2: 如果按照1中构建20英寸行的数据框作为基准进行测试，你会发现这里提出的方法是最快的选项。它比位运算链更好，因为 eval() 在设计上能够更快地对大型数据框执行多个操作，比向量化的Python操作更加高效，并且比query()更加节省内存，因为与query()不同，eval().pipe(...)不需要创建切片数据框的副本来获取其索引。
对于我们感兴趣的已知索引候选项，可以通过不检查整个列来更快地完成，方法如下：
np.array(index_slice)[np.where(df.loc[index_slice]['column_name'] >= threshold)[0]]
完整比较：
import pandas as pd
import numpy as np
index_slice = list(range(50,150)) # know index location for our inteterest
data = np.zeros(10000)
data[(index_slice)] = np.random.random(len(index_slice))
df = pd.DataFrame(
{'column_name': data},
)
threshold = 0.5
%%timeit
np.array(index_slice)[np.where(df.loc[index_slice]['column_name'] >= threshold)[0]]
# 600 µs ± 1.21 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
%%timeit
[i for i in index_slice if i in df.index[df['column_name'] >= threshold].tolist()]
# 22.5 ms ± 29.1 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
它的工作原理是这样的：
# generate Boolean satisfy condition only in sliced column
df.loc[index_slice]['column_name'] >= threshold
# convert Boolean to index, but start from 0 and increment by 1
np.where(...)[0]
# list of index to be sliced
np.array(index_slice)[...]
np.where(...)[0]索引从0开始递增1，因此不能用df.index替换np.array(index_slice)，但你可以使用类似df.index[index_slice]的方法。如果你只需要处理少量行数据，并且只需要进行一次操作，我认为这并不值得麻烦。我扩展了这个问题，即如何获取所有匹配值的行、列和值？
以下是解决方案：
import pandas as pd
import numpy as np
def search_coordinate(df_data: pd.DataFrame, search_set: set) -> list:
nda_values = df_data.values
tuple_index = np.where(np.isin(nda_values, [e for e in search_set]))
return [(row, col, nda_values[row][col]) for row, col in zip(tuple_index[0], tuple_index[1])]
if __name__ == '__main__':
test_datas = [['cat', 'dog', ''],
['goldfish', '', 'kitten'],
['Puppy', 'hamster', 'mouse']
]
df_data = pd.DataFrame(test_datas)
print(df_data)
result_list = search_coordinate(df_data, {'dog', 'Puppy'})
print(f"\n\n{'row':<4} {'col':<4} {'name':>10}")
[print(f"{row:<4} {col:<4} {name:>10}") for row, col, name in result_list]
输出：
0 1 2
0 cat dog
1 goldfish kitten
2 Puppy hamster mouse
row col name
0 1 dog
2 0 Puppy