pandas - 按行元素通过另一个数据框过滤数据框

Question

我有一个数据框 df1，它看起来像：

   c  k  l
0  A  1  a
1  A  2  b
2  B  2  a
3  C  2  a
4  C  2  d

还有一个叫df2，比如：

   c  l
0  A  b
1  C  a

我想过滤df1，只保留不在df2 中的值。要过滤的值应为 (A,b) 和 (C,a) 元组。到目前为止，我尝试应用isin 方法：

d = df[~(df['l'].isin(dfc['l']) & df['c'].isin(dfc['c']))]

这在我看来太复杂了，它返回：

   c  k  l
2  B  2  a
4  C  2  d

但我期待：

   c  k  l
0  A  1  a
2  B  2  a
4  C  2  d

Answer 1

您可以在从所需列构造的多索引上使用isin 有效地执行此操作：

df1 = pd.DataFrame({'c': ['A', 'A', 'B', 'C', 'C'],
                    'k': [1, 2, 2, 2, 2],
                    'l': ['a', 'b', 'a', 'a', 'd']})
df2 = pd.DataFrame({'c': ['A', 'C'],
                    'l': ['b', 'a']})
keys = list(df2.columns.values)
i1 = df1.set_index(keys).index
i2 = df2.set_index(keys).index
df1[~i1.isin(i2)]

我认为这改进了@IanS 的类似解决方案，因为它不假定任何列类型（即它可以处理数字和字符串）。

---

（上面的答案是一个编辑。以下是我最初的答案）

有趣！这是我以前没有遇到过的事情......我可能会通过合并两个数组来解决它，然后删除定义 df2 的行。这是一个使用临时数组的示例：

df1 = pd.DataFrame({'c': ['A', 'A', 'B', 'C', 'C'],
                    'k': [1, 2, 2, 2, 2],
                    'l': ['a', 'b', 'a', 'a', 'd']})
df2 = pd.DataFrame({'c': ['A', 'C'],
                    'l': ['b', 'a']})

# create a column marking df2 values
df2['marker'] = 1

# join the two, keeping all of df1's indices
joined = pd.merge(df1, df2, on=['c', 'l'], how='left')
joined

# extract desired columns where marker is NaN
joined[pd.isnull(joined['marker'])][df1.columns]

可能有一种方法可以在不使用临时数组的情况下做到这一点，但我想不出一个。只要您的数据不是很大，上述方法应该是一个快速且足够的答案。

Answer 2

怎么样：

df1['key'] = df1['c'] + df1['l']
d = df1[~df1['key'].isin(df2['c'] + df2['l'])].drop(['key'], axis=1)

Answer 3

另一个避免创建额外列或进行合并的选项是在 df2 上执行 groupby 以获得不同的 (c, l) 对，然后使用它过滤 df1。

gb = df2.groupby(("c", "l")).groups
df1[[p not in gb for p in zip(df1['c'], df1['l'])]]]

对于这个小例子，它实际上似乎比基于 pandas 的方法运行得快一点（在我的机器上为 666 µs 与 1.76 ms），但我怀疑在更大的例子上它可能会慢一些，因为它正在进入纯 Python .

Answer 4

这很简洁，效果很好：

df1 = df1[~df1.index.isin(df2.index)]

Answer 5

我认为这是一种非常简单的方法，当您想根据来自另一个数据帧的多列或什至基于自定义列表过滤数据帧时。

df1 = pd.DataFrame({'c': ['A', 'A', 'B', 'C', 'C'],
                    'k': [1, 2, 2, 2, 2],
                    'l': ['a', 'b', 'a', 'a', 'd']})
df2 = pd.DataFrame({'c': ['A', 'C'],
                    'l': ['b', 'a']})

#values of df2 columns 'c' and 'l' that will be used to filter df1
idxs = list(zip(df2.c.values, df2.l.values)) #[('A', 'b'), ('C', 'a')]

#so df1 is filtered based on the values present in columns c and l of df2 (idxs)
df1 = df1[pd.Series(list(zip(df1.c, df1.l)), index=df1.index).isin(idxs)]

Answer 6

使用DataFrame.merge & DataFrame.query：

更优雅的方法是使用参数indicator=True 执行left join，然后使用query 过滤所有left_only 的行：

d = (
    df1.merge(df2, 
              on=['c', 'l'],
              how='left', 
              indicator=True)
    .query('_merge == "left_only"')
    .drop(columns='_merge')
)

print(d)
   c  k  l
0  A  1  a
2  B  2  a
4  C  2  d

indicator=True 返回一个带有额外列 _merge 的数据框，该列标记每一行 left_only, both, right_only：

df1.merge(df2, on=['c', 'l'], how='left', indicator=True)

   c  k  l     _merge
0  A  1  a  left_only
1  A  2  b       both
2  B  2  a  left_only
3  C  2  a       both
4  C  2  d  left_only

Answer 7

您可以连接两个 DataFrame 并删除所有重复项：

df1.append(df2).drop_duplicates(subset=['c', 'l'], keep=False)

输出：

   c    k  l
0  A  1.0  a
2  B  2.0  a
4  C  2.0  d

如果您在df1 中有重复的subset=['c', 'l']，则此方法不起作用。