Python - 带有字符串的 Pandas Drop Rows答案

【问题标题】：Python - Pandas Drop Rows with stringsPython - 带有字符串的 Pandas Drop Rows
【发布时间】：2018-03-10 00:04:40
【问题描述】：

在我的数据集中，我有几行包含字符。我只需要包含所有整数的行。最好的方法是什么？下面的数据集：例如，我想删除第 2 行和第 3 行，因为它们分别包含 051A、04A 和 08B。

1   2017    0   321     3   20  42  18
2   051A    0   321     3   5   69  04A
3   460     0   1633    16  38  17  08B
4   1811    0   822     8   13  65  18

【问题讨论】：

您是否需要检查整数与浮点数[和其他非字符串类型]？
不，我只是在寻找整数。谢谢！

标签： python python-3.x pandas

【解决方案1】：

不确定是否可以在这里避免申请

df.apply(lambda x: pd.to_numeric(x, errors = 'coerce')).dropna()

    0   1   2   3   4   5   6   7
0   1   2017.0  0   321 3   20  42  18.0
3   4   1811.0  0   822 8   13  65  18.0

【讨论】：

一个避免apply的选项，虽然我不如pd.to_numeric(df.stack(), 'coerce').unstack().dropna()（-：也就是说，这不解决浮点数。OP说所有整数的行。如果浮点数恰好是连续，这不会放弃它。

【解决方案2】：

对于这项任务，如前所述，try / except 是一个可以处理所有情况的解决方案。

pd.DataFrame.applymap 对数据框中的每个元素应用一个函数。

def CheckInt(s):
    try: 
        int(s)
        return True
    except ValueError:
        return False

res = df[df.applymap(CheckInt).all(axis=1)].astype(int)

#    0     1  2    3  4   5   6   7
# 0  1  2017  0  321  3  20  42  18
# 3  4  1811  0  822  8  13  65  18

【讨论】：

我非常喜欢这个答案！ df[df.applymap(lambda x: str(x).isdigit()).all(1)].astype(int)
'1.1'.isdigit() 为我解析为 False。另外，当我说我喜欢“这个”答案时。我的意思是你的（-：
添加了答案。

【解决方案3】：

这与@jpp 的解决方案非常相似，但检查数字的技术不同。

df[df.applymap(lambda x: str(x).isdecimal()).all(1)].astype(int)

   0     1  2    3  4   5   6   7
0  1  2017  0  321  3  20  42  18
3  4  1811  0  822  8  13  65  18

感谢@jpp 建议isdecimal 而不是isdigit

【讨论】：

既然你提到了十进制，这给了我一个想法……但不知道它有多快。

【解决方案4】：

作为其他好的答案的替代方案，此解决方案使用 stack + unstack 范例来避免循环解决方案。

v = df.stack().astype(str)
v.where(v.str.isdecimal()).unstack().dropna().astype(int)

   0     1  2    3  4   5   6   7
0  1  2017  0  321  3  20  42  18
3  4  1811  0  822  8  13  65  18

【讨论】：

这确实很有趣，尽管 isdecimal 的问题是它不能处理浮点数。 +1 :)

【解决方案5】：

在一行中，我认为您可以使用 pandas 的 convert_objects 函数。有了这个，我们将对象转换为整数，这将导致 NA。我们终于放弃了。

df = df.convert_objects(convert_numeric=True).dropna()

您可以在pandas documentation 上查看更多信息。

【讨论】：