Как преобразовать подмножество pandas DataFrame столбцов И строк в массив numpy?

Мне интересно, есть ли более простой, эффективный по памяти способ выбора подмножества строк и столбцов из pandas DataFrame.

Например, с учетом этого фрейма данных:

df = DataFrame(np.random.rand(4,5), columns = list('abcde'))
print df

          a         b         c         d         e
0  0.945686  0.000710  0.909158  0.892892  0.326670
1  0.919359  0.667057  0.462478  0.008204  0.473096
2  0.976163  0.621712  0.208423  0.980471  0.048334
3  0.459039  0.788318  0.309892  0.100539  0.753992

Мне нужны только те строки, в которых значение для столбца 'c' больше 0,5, но мне нужны только столбцы 'b' и 'e' для этих строк.

Это метод, который я придумал - возможно, есть лучший способ pandas?

locs = [df.columns.get_loc(_) for _ in ['a', 'd']]
print df[df.c > 0.5][locs]

          a         d
0  0.945686  0.892892

Моя конечная цель - преобразовать результат в массив numpy, чтобы перейти в алгоритм регрессии sklearn, поэтому я буду использовать код выше:

training_set = array(df[df.c > 0.5][locs])

... и это меня раздражает, так как я получаю огромную копию массива в памяти. Может быть, есть и лучший способ для этого?

Ответ 1

.loc принимать селектора строк и столбцов одновременно (как и .ix/.iloc FYI) Это делается за один проход.

In [1]: df = DataFrame(np.random.rand(4,5), columns = list('abcde'))

In [2]: df
Out[2]: 
          a         b         c         d         e
0  0.669701  0.780497  0.955690  0.451573  0.232194
1  0.952762  0.585579  0.890801  0.643251  0.556220
2  0.900713  0.790938  0.952628  0.505775  0.582365
3  0.994205  0.330560  0.286694  0.125061  0.575153

In [5]: df.loc[df['c']>0.5,['a','d']]
Out[5]: 
          a         d
0  0.669701  0.451573
1  0.952762  0.643251
2  0.900713  0.505775

И если вы хотите значения (хотя это должно перейти непосредственно к sklearn as is); фреймы поддерживают интерфейс массива

In [6]: df.loc[df['c']>0.5,['a','d']].values
Out[6]: 
array([[ 0.66970138,  0.45157274],
       [ 0.95276167,  0.64325143],
       [ 0.90071271,  0.50577509]])

Ответ 2

Используйте его значение напрямую:

In [79]: df[df.c > 0.5][['b', 'e']].values
Out[79]: 
array([[ 0.98836259,  0.82403141],
       [ 0.337358  ,  0.02054435],
       [ 0.29271728,  0.37813099],
       [ 0.70033513,  0.69919695]])

Ответ 3

Возможно, что-то подобное для первой проблемы, вы можете просто получить доступ к столбцам по их именам:

>>> df = pd.DataFrame(np.random.rand(4,5), columns = list('abcde'))
>>> df[df['c']>.5][['b','e']]
          b         e
1  0.071146  0.132145
2  0.495152  0.420219

Для второй проблемы:

>>> df[df['c']>.5][['b','e']].values
array([[ 0.07114556,  0.13214495],
       [ 0.49515157,  0.42021946]])