Pandas中的邏輯運(yùn)算符是&, |和~，和括號(hào)(...)很重要！
Python的and, or和not邏輯運(yùn)算符設(shè)計(jì)用于處理標(biāo)量。因此，Pandas必須做得更好，并重寫按位運(yùn)算符來實(shí)現(xiàn)。矢量化(就元素而言)此功能的版本。
下面是python中的內(nèi)容(exp1和exp2是計(jì)算為布爾結(jié)果的表達(dá)式).。
exp1 and exp2 # Logical ANDexp1 or exp2 # Logical ORnot exp1 # Logical NOT
.會(huì)翻譯成.
exp1 & exp2 # Element-wise logical ANDexp1 | exp2 # Element-wise logical OR~exp1
# Element-wise logical NOT
為了熊貓。
如果在執(zhí)行邏輯操作的過程中，您將得到一個(gè)ValueError，則需要使用括號(hào)進(jìn)行分組：
(exp1) op (exp2)
例如,
(df['col1'] == x) & (df['col2'] == y)
諸若此類。
布爾索引一個(gè)常見的操作是通過邏輯條件計(jì)算布爾掩碼來過濾數(shù)據(jù)。熊貓?zhí)峁?/trans>三操作員：&合乎邏輯，|用于邏輯或，以及~邏輯上沒有。
考慮以下設(shè)置：
np.random.seed(0)df = pd.DataFrame(np.random.choice(10, (5, 3)), columns=list('ABC'))df
A B C0 5 0 31 3 7 92 3 5 23 4 7 64 8 8 1邏輯與
為df上面，假設(shè)您想返回A<5和B>5的所有行。這是通過分別計(jì)算每個(gè)條件的掩碼來完成的，并對(duì)它們進(jìn)行處理。
重載位&操作者
在繼續(xù)之前，請(qǐng)注意以下特定的文檔摘錄：
另一個(gè)常見操作是使用布爾向量過濾數(shù)據(jù)。營(yíng)辦商包括：|為or, &為and，和~為not. 必須使用括號(hào)對(duì)它們進(jìn)行分組。，因?yàn)槟J(rèn)情況下Python將計(jì)算一個(gè)表達(dá)式，如df.A > 2 & df.B < 3如df.A > (2 &
df.B) < 3，而所需的評(píng)估順序是(df.A > 2) & (df.B <
3).
因此，考慮到這一點(diǎn)，元素分邏輯，可以用位運(yùn)算符實(shí)現(xiàn)。&:
df['A'] < 50 False1 True2 True3 True4 FalseName: A, dtype: bool
df['B'] > 50 False1 True2 False3 True4 TrueName: B, dtype: bool
(df['A'] < 5) & (df['B'] > 5)0 False1 True2 False3 True4 Falsedtype: bool
接下來的過濾步驟很簡(jiǎn)單，
df[(df['A'] < 5) & (df['B'] > 5)]
A B C1 3 7 93 4 7 6
圓括號(hào)用于覆蓋按位運(yùn)算符的默認(rèn)優(yōu)先順序，后者比條件運(yùn)算符具有更高的優(yōu)先級(jí)。<和>..見算子優(yōu)先在蟒蛇的文檔里。
如果不使用括號(hào)，則將錯(cuò)誤地計(jì)算表達(dá)式。例如，如果您意外地嘗試了諸如
df['A'] < 5 & df['B'] > 5
它被解析為
df['A'] < (5 & df['B']) > 5
變成，
df['A'] < something_you_dont_want > 5
(請(qǐng)參閱python文檔)鏈?zhǔn)剿阕颖容^),
(df['A'] < something_you_dont_want) and (something_you_dont_want > 5)
變成，
# Both operands are Series...something_else_you_dont_want1 and something_else_you_dont_want2
拋出
ValueError: The truth value of a Series is ambiguous. Use a.empty, a.bool(), a.item(), a.any() or a.all().
所以，別犯那個(gè)錯(cuò)誤！1
避免部分分組
解決辦法其實(shí)很簡(jiǎn)單。大多數(shù)操作符都有相應(yīng)的DataFrame綁定方法。如果單個(gè)掩碼是使用函數(shù)而不是條件運(yùn)算符構(gòu)建的，則不再需要按父母分組來指定計(jì)算順序：
df['A'].lt(5)0 True1 True2 True3 True4 FalseName: A, dtype: bool
df['B'].gt(5)0 False1 True2 False3 True4 TrueName: B, dtype: bool
df['A'].lt(5) & df['B'].gt(5)0 False1 True2 False3 True4 Falsedtype: bool
見靈活的比較。..總之，我們有
╒════╤════════════╤════════════╕│ │ Operator │ Function │╞════╪═══════════
═╪════════════╡│ 0 │ > │ gt │├────┼────────────┼────────────
┤│ 1 │ >= │ ge │├────┼────────────┼────────────┤│ 2 │ < │
lt │├────┼────────────┼────────────┤│ 3 │ <= │ le │├────┼
────────────┼────────────┤│ 4 │ == │ eq │├────┼────────────┼─
───────────┤│ 5 │ != │ ne │╘════╧════════════╧════════════╛
避免括號(hào)的另一個(gè)選擇是使用DataFrame.query(或eval):
df.query('A < 5 and B > 5')
A B C1 3 7 93 4 7 6我有過廣泛記錄在案query和eval在……里面熊貓動(dòng)態(tài)表達(dá)評(píng)價(jià)的pd.val().
operator.and_
允許您以功能方式執(zhí)行此操作。內(nèi)部呼叫Series.__and__它對(duì)應(yīng)于位操作符。
import operator
operator.and_(df['A'] < 5, df['B'] > 5)# Same as,# (df['A'] < 5).__and__(df['B'] > 5) 0 False1 True2 False3 True4
Falsedtype: bool
df[operator.and_(df['A'] < 5, df['B'] > 5)]
A B C1 3 7 93 4 7 6
你通常不需要這個(gè)，但是知道是有用的。
概括：np.logical_and(和logical_and.reduce)
另一種選擇是使用np.logical_and，也不需要括號(hào)分組：
np.logical_and(df['A'] < 5, df['B'] > 5)0 False1 True2 False3 True4 FalseName: A, dtype: bool
df[np.logical_and(df['A'] < 5, df['B'] > 5)]
A B C1 3 7 93 4 7 6
np.logical_and是Ufunc(通用職能)，而且大多數(shù)運(yùn)行程序都有一個(gè)reduce方法。這意味著更容易泛化。logical_and如果你有多個(gè)面具。例如，to和掩碼m1和m2和m3帶著&，你必須做
m1 & m2 & m3
然而，一個(gè)更容易的選擇是
np.logical_and.reduce([m1, m2, m3])
這是強(qiáng)大的，因?yàn)樗试S您在此基礎(chǔ)上構(gòu)建更復(fù)雜的邏輯(例如，在列表理解中動(dòng)態(tài)生成掩碼并添加所有掩碼)：
import operator
cols = ['A', 'B']ops = [np.less, np.greater]values = [5, 5]m = np.logical_and.reduce([op(df[c], v) for op, c, v in zip(ops, cols, values)])m
# array([False, True, False, True, False])df[m]
A B C1 3 7 93 4 7 6
我知道我是在嘮叨這一點(diǎn)，但請(qǐng)容忍我。這是一個(gè)非常, 非常普通初學(xué)者的錯(cuò)誤，必須非常徹底地解釋。
邏輯OR
為df上面，假設(shè)您想返回A=3或B=7的所有行。
重載位|
df['A'] == 30 False1 True2 True3 False4 FalseName: A, dtype: bool
df['B'] == 70 False1 True2 False3 True4 FalseName: B, dtype: bool
(df['A'] == 3) | (df['B'] == 7)0 False1 True2 True3 True4 Falsedtype: bool
df[(df['A'] == 3) | (df['B'] == 7)]
A B C1 3 7 92 3 5 23 4 7 6
如果您還沒有，請(qǐng)閱讀邏輯與以上，所有的警告都適用于此。
或者，可以用
df[df['A'].eq(3) | df['B'].eq(7)]
A B C1 3 7 92 3 5 23 4 7 6
operator.or_
打電話Series.__or__在引擎蓋下面。
operator.or_(df['A'] == 3, df['B'] == 7)# Same as,# (df['A'] == 3).__or__(df['B'] == 7)0 False1 True2 True3 True4
Falsedtype: bool
df[operator.or_(df['A'] == 3, df['B'] == 7)]
A B C1 3 7 92 3 5 23 4 7 6
np.logical_or
對(duì)于兩個(gè)條件，請(qǐng)使用logical_or:
np.logical_or(df['A'] == 3, df['B'] == 7)0 False1 True2 True3 True4 FalseName: A, dtype: bool
df[np.logical_or(df['A'] == 3, df['B'] == 7)]
A B C1 3 7 92 3 5 23 4 7 6
對(duì)于多個(gè)掩碼，請(qǐng)使用logical_or.reduce:
np.logical_or.reduce([df['A'] == 3, df['B'] == 7])# array([False, True, True, True, False])df[np.logical_or.reduce([df['A']
== 3, df['B'] == 7])]
A B C1 3 7 92 3 5 23 4 7 6
邏輯不
戴上面具，如
mask = pd.Series([True, True, False])
如果您需要反轉(zhuǎn)每個(gè)布爾值(因此最終結(jié)果是[False, False, True])，則可以使用以下任何方法。
按位~
~mask0 False1 False2 Truedtype: bool
同樣，表達(dá)式需要加括號(hào)。
~(df['A'] == 3)0 True1 False2 False3 True4 TrueName: A, dtype: bool
這內(nèi)部呼叫
mask.__invert__()0 False1 False2 Truedtype: bool
但不要直接用。
operator.inv
內(nèi)部呼叫__invert__在系列賽上。
operator.inv(mask)0 False1 False2 Truedtype: bool
np.logical_not
這是矮胖的變體。
np.logical_not(mask)0 False1 False2 Truedtype: bool
注：np.logical_and可以代替np.bitwise_and, logical_or帶著bitwise_or，和logical_not帶著invert.
