Найти индекс элемента в pandas Серии

Ответ 1

>>> myseries[myseries == 7]
3    7
dtype: int64
>>> myseries[myseries == 7].index[0]
3

Хотя я признаю, что должен быть лучший способ сделать это, но это, по крайней мере, позволяет избежать итерации и прокрутки объекта и переместить его на уровень C.

Ответ 2

Преобразование в индекс, вы можете использовать get_loc

In [1]: myseries = pd.Series([1,4,0,7,5], index=[0,1,2,3,4])

In [3]: Index(myseries).get_loc(7)
Out[3]: 3

In [4]: Index(myseries).get_loc(10)
KeyError: 10

Повторяющаяся обработка

In [5]: Index([1,1,2,2,3,4]).get_loc(2)
Out[5]: slice(2, 4, None)

Вернет булевский массив, если непересекающиеся возвращаются

In [6]: Index([1,1,2,1,3,2,4]).get_loc(2)
Out[6]: array([False, False,  True, False, False,  True, False], dtype=bool)

Использует хэш-таблицу внутри, так быстро

In [7]: s = Series(randint(0,10,10000))

In [9]: %timeit s[s == 5]
1000 loops, best of 3: 203 µs per loop

In [12]: i = Index(s)

In [13]: %timeit i.get_loc(5)
1000 loops, best of 3: 226 µs per loop

Как указывает Виктор, для создания индекса (один раз, когда вы на самом деле делаете что-то с индексом, например, is_unique)

In [2]: s = Series(randint(0,10,10000))

In [3]: %timeit Index(s)
100000 loops, best of 3: 9.6 µs per loop

In [4]: %timeit Index(s).is_unique
10000 loops, best of 3: 140 µs per loop

Ответ 3

In [92]: (myseries==7).argmax()
Out[92]: 3

Это работает, если вы знаете, что есть 7 заранее. Вы можете проверить это с помощью (myseries == 7).any()

Другой подход (очень похожий на первый ответ), который также учитывает несколько 7 (или ни один), равен

In [122]: myseries = pd.Series([1,7,0,7,5], index=['a','b','c','d','e'])
In [123]: list(myseries[myseries==7].index)
Out[123]: ['b', 'd']

Ответ 4

Другой способ сделать это, хотя в равной степени неудовлетворительный:

s = pd.Series([1,3,0,7,5],index=[0,1,2,3,4])

list(s).index(7)

возвращает:   3

Во время тестов с использованием текущего набора данных, с которым я работаю (считайте его случайным):

[64]:    %timeit pd.Index(article_reference_df.asset_id).get_loc('100000003003614')
10000 loops, best of 3: 60.1 µs per loop

In [66]: %timeit article_reference_df.asset_id[article_reference_df.asset_id == '100000003003614'].index[0]
1000 loops, best of 3: 255 µs per loop


In [65]: %timeit list(article_reference_df.asset_id).index('100000003003614')
100000 loops, best of 3: 14.5 µs per loop

Ответ 5

Если вы используете numpy, вы можете получить массив indecies, что ваше значение будет найдено:

import numpy as np
import pandas as pd
myseries = pd.Series([1,4,0,7,5], index=[0,1,2,3,4])
np.where(myseries == 7)

Это возвращает кортеж из одного элемента, содержащий массив индексов, где 7 - значение в myseries:

(array([3], dtype=int64),)

Ответ 6

вы можете использовать Series.idxmax()

>>> import pandas as pd
>>> myseries = pd.Series([1,4,0,7,5], index=[0,1,2,3,4])
>>> myseries.idxmax()
3
>>> 

Ответ 7

Ссылка на Виктор Керкез (20 августа '13 в 5:52) Джонатан Юнис (7 ноября 16 в 14:03)

>>> myseries[myseries == 7]
3    7
dtype: int64
>>> myseries[myseries == 7].index   # using index[0] specifies the output of the first occurrence only.  Using index without adding the element index will give you indexes all occurrences if the series had more then one 7 there.  It still presumes you know which number you are looking for.  
3 

Ответ 8

Часто ваша ценность встречается по нескольким показателям:

>>> myseries = pd.Series([0, 0, 0, 1, 1, 1, 1, 0, 0, 0, 1, 1])
>>> myseries.index[myseries == 1]
Int64Index([3, 4, 5, 6, 10, 11], dtype='int64')

Ответ 9

myseries.index.tolist()

Это даст список всех индексов.

Ответ 10

Я впечатлен всеми ответами здесь. Это не новый ответ, просто попытка обобщить сроки всех этих методов. Я рассмотрел случай ряда с 25 элементами и предположил общий случай, когда индекс может содержать любые значения, и вы хотите, чтобы значение индекса соответствовало значению поиска, которое ближе к концу ряда.

Вот тесты скорости на MacBook Pro 2013 года в Python 3.7.

In [1]: import pandas as pd                                                

In [2]: import numpy as np                                                 

In [3]: data = [406400, 203200, 101600,  76100,  50800,  25400,  19050,  12700, 
   ...:          9500,   6700,   4750,   3350,   2360,   1700,   1180,    850, 
   ...:           600,    425,    300,    212,    150,    106,     75,     53, 
   ...:            38]                                                                               

In [4]: myseries = pd.Series(data, index=range(1,26))                                                

In [5]: myseries[21]                                                                                 
Out[5]: 150

In [7]: %timeit myseries[myseries == 150].index[0]                                                   
416 µs ± 5.05 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [8]: %timeit myseries[myseries == 150].first_valid_index()                                        
585 µs ± 32.5 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [9]: %timeit myseries.where(myseries == 150).first_valid_index()                                  
652 µs ± 23.3 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [10]: %timeit myseries.index[np.where(myseries == 150)[0][0]]                                     
195 µs ± 1.18 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

In [11]: %timeit myseries.index[pd.Index(myseries).get_loc(150)]                                    
77.4 µs ± 1.41 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

In [12]: %timeit myseries.index[list(myseries).index(150)]
14.1 µs ± 42.5 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

@Джефф ответ, кажется, самый быстрый - хотя он не обрабатывает дубликаты.

Исправление. К сожалению, я пропустил одно, решение @Alex Spangher, использующее метод индекса списка, является самым быстрым.

Надеюсь, это поможет.

Удивительно, что такая простая операция требует таких запутанных решений, а многие такие медленные. Более половины миллисекунды в некоторых случаях, чтобы найти значение в серии 25.