.isin() объектов DataFrame/Series.DataFrame.isin() проверяет наличие каждого элемента DataFrame в значениях values;Series.isin() проверяет содержатся ли элементы Series в последовательности values;.isin() объектов DataFrame/SeriesРассмотрим метод Series.isin(), который возвращает логический вектор, истинный везде, где элементы Series существуют в переданном списке. Такое поведение позволяет выбрать строки, в которых один или несколько столбцов имеют нужные значения:
>>> import pandas as pd >>> import numpy as np >>> s = pd.Series(np.arange(5), index=np.arange(5)[::-1], dtype='int64') >>> s # 4 0 # 3 1 # 2 2 # 1 3 # 0 4 # dtype: int64 >>> s.isin([2, 4, 6]) # 4 False # 3 False # 2 True # 1 False # 0 True # dtype: bool >>> s[s.isin([2, 4, 6])] # 2 2 # 0 4 # dtype: int64
Этот же метод доступен для объектов Index и полезен в тех случаях, когда неизвестно, какая из искомых меток на самом деле присутствует:
>>> s[s.index.isin([2, 4, 6])] # 4 0 # 2 2 # dtype: int64 >>> s.reindex([2, 4, 6]) # 2 2.0 # 4 0.0 # 6 NaN # dtype: float64
В дополнение к сказанному, MultiIndex позволяет выбрать отдельный уровень для использования при проверке членства:
>>> s_mi = pd.Series(np.arange(6), index=pd.MultiIndex.from_product([[0, 1], ['a', 'b', 'c']])) >>> s_mi # 0 a 0 # b 1 # c 2 # 1 a 3 # b 4 # c 5 # dtype: int64 >>> s_mi.iloc[s_mi.index.isin([(1, 'a'), (2, 'b'), (0, 'c')])] # 0 c 2 # 1 a 3 # dtype: int64 >>> s_mi.iloc[s_mi.index.isin(['a', 'c', 'e'], level=1)] # 0 a 0 # c 2 # 1 a 3 # c 5 # dtype: int64
В DataFrame также есть метод .isin(). При вызове DataFrame.isin() необходимо передать множество значений в виде списка или словаря. Если values является списком, то DataFrame.isin() возвращает DataFrame логических значений, который имеет ту же форму, что и исходный DataFrame(везде с True, где значение элемента DataFrame имеется в переданной последовательности).
>>> df = pd.DataFrame({'vals': [1, 2, 3, 4], 'ids': ['a', 'b', 'f', 'n'], ... 'ids2': ['a', 'n', 'c', 'n']}) >>> values = ['a', 'b', 1, 3] >>> df.isin(values) # vals ids ids2 # 0 True True True # 1 False True False # 2 True False False # 3 False False False
Часто требуется сопоставить определенные значения с определенными столбцами. Для решения такой задачи необходимо создать словарь dict, где ключ - это название метки столбца, а значение - список элементов, которые необходимо проверить.
>>> values = {'ids': ['a', 'b'], 'vals': [1, 3]} >>> df.isin(values) # vals ids ids2 # 0 True True False # 1 False True False # 2 True False False # 3 False False False
Чтобы вернуть DataFrame логических значений, значения которых отсутствуют в исходном DataFrame, необходимо использовать оператор ~:
>>> values = {'ids': ['a', 'b'], 'vals': [1, 3]} >>> ~df.isin(values) # vals ids ids2 # 0 False False True # 1 True False True # 2 False True True # 3 True True True
Чтобы быстро выбрать подмножество данных, которые соответствуют заданным критериям, можно объединить DataFrame.isin() с методами DataFrame.any() и DataFrame.all():
>>> values = {'ids': ['a', 'b'], 'ids2': ['a', 'c'], 'vals': [1, 3]} >>> row_mask = df.isin(values).all(1) >>> df[row_mask] # vals ids ids2 # 0 1 a a
DataFrame.isin(values):Метод DataFrame.isin() библиотеки pandas проверяет наличие каждого элемента DataFrame в значениях, передаваемых в values.
Аргумент values может принимать итерируемый объект (например список list), Series, DataFrame или словарь dict.
Результат будет истинным только в том случае, если все индексные метки совпадают.
values является Series, то для получения True должны совпасть еще индексные метки. values является dict, то ключи должны быть именами столбцов, которые должны совпадать. values является DataFrame, то индексные метки DataFrame.Index и DataFrame.columns должны совпадать. В случае, если values является списком или массивом значений, то для получения истинного результата никаких дополнительных условий соблюдать не нужно.
Метод возвращает DataFrame логических значений, показывающих, содержится ли каждый элемент DataFrame в values.
DataFrame.isin():>>> import pandas as pd df = pd.DataFrame({'num_legs': [2, 4], 'num_wings': [2, 0]}, index=['falcon', 'dog']) >>> df # num_legs num_wings # falcon 2 2 # dog 4 0
Если аргумент values является списком, то идет простая проверка, все ли значения в DataFrame присутствуют в списке
>>> df.isin([0, 2]) # num_legs num_wings # falcon True True # dog False True
И так, получены значения bool для каждого элемента DataFrame. И что теперь с этим делать? Для получения требуемых результатов необходимо использовать "логическую индексацию":
Для просмотра всех совпавших элементов DataFrame (НЕ совпавшие значения будут заменены на NaN):
>>> df[df.isin([0, 2])] # num_legs num_wings # falcon 2.0 2 # dog NaN 0
Для просмотра столбцов, в которых значения присутствуют во всеx строках, дополнительно можно использовать метод DataFrame.all():
>>> df.loc[:, df.isin([0, 2]).all()] # num_wings # falcon 2 # dog 0
Для просмотра строк, в которых значения присутствуют во всех столбцах, дополнительно можно использовать метод DataFrame.all(axis=1):
>>> df.loc[df.isin([0, 2]).all(axis=1)] # num_legs num_wings # falcon 2 2
Чтобы проверить значений DataFrame на ОТСУТСТВИЕ в списке, то необходимо использовать оператор отрицания ~:
>>> ~df.isin([0, 2]) # num_legs num_wings # falcon False False # dog True False # используем логическую индексацию # строки, где есть НЕ совпавшие значения >>> df.loc[~df.isin([0, 2]).all(axis=1)] # num_legs num_wings # dog 4 0 # столбцы, где есть НЕ совпавшие значения >>> df.loc[:, ~df.isin([0, 2]).all()] # num_legs # falcon 2 # dog 4
Когда аргумент values является словарем, то можно передавать значения для проверки для каждого столбца отдельно:
>>> df.isin({'num_wings': [0, 3]}) # num_legs num_wings # falcon False False # dog False True
Если аргумент values является Series или DataFrame, то индекс и столбец должны совпадать. Обратите внимание, что 'falcon' не совпадает с num_legs.
other = pd.DataFrame({'num_legs': [8, 3], 'num_wings': [0, 2]}, index=['spider', 'falcon']) >>> df.isin(other) # num_legs num_wings # falcon False True # dog False False # используем логическую индексацию >>> df[df.isin(other)] # num_legs num_wings # falcon NaN 2.0 # dog NaN NaN # смотрим на оба `DataFrame` для проверки >>> df # num_legs num_wings # falcon 2 2 # dog 4 0 >>> other # num_legs num_wings # spider 8 0 # falcon 3 2 (есть совпадение )
Series.isin(values):Метод Series.isin() библиотеки pandas проверяет содержатся ли элементы Series в последовательности values.
Возвращает логическое значение Series - маску логических значений Series, которая показывает, находится ли каждый элемент Series в последовательности values.
Аргумент values представляет собой последовательность проверяемых значений. Передача одной строки вызовет ошибку TypeError. Вместо этого превратите строку в список из одного элемента. Может принимать множество или список.
Series.isin():s = pd.Series(['llama', 'cow', 'llama', 'beetle', 'llama', 'hippo'], name='animal') >>> s.isin(['cow', 'llama']) # 0 True # 1 True # 2 True # 3 False # 4 True # 5 False # Name: animal, dtype: bool
И так, получены значения bool для Series. И что теперь с этим делать? Для получения результатов необходимо использовать "логическую индексацию":
>>> s.loc[s.isin(['cow', 'llama'])] # 0 llama # 1 cow # 2 llama # 4 llama # Name: animal, dtype: object
Чтобы инвертировать логические значения, используем оператор ~:
>>> ~s.isin(['cow', 'llama']) # 0 False # 1 False # 2 False # 3 True # 4 False # 5 True # Name: animal, dtype: bool # для просмотра значений `Series` # используем логическую индексацию >>> s.loc[~s.isin(['cow', 'llama'])] # 3 beetle # 5 hippo # Name: animal, dtype: object
Передача одной строки как s.isin('llama') вызовет ошибку. Чтобы избежать такого поведения используем список из одного элемента:
>>> s.isin(['llama']) # 0 True # 1 False # 2 True # 3 False # 4 True # 5 False # Name: animal, dtype: bool
Строки и целые числа различны и поэтому не могут быть сопоставимы:
>>> pd.Series([1]).isin(['1']) # 0 False # dtype: bool >>> pd.Series([1.1]).isin(['1.1']) # 0 False # dtype: bool