Cargo algunos datos de aprendizaje automático de un archivo CSV. Las primeras 2 columnas son observaciones y las columnas restantes son características.

Actualmente, hago lo siguiente:

data = pandas.read_csv('mydata.csv')

que da algo como:

data = pandas.DataFrame(np.random.rand(10,5), columns = list('abcde'))

Me gustaría cortar esta trama de datos en dos tramas de datos: una que contiene las columnas ay by uno que contiene las columnas c, dye .

No es posible escribir algo como

observations = data[:'c']
features = data['c':]

No estoy seguro de cuál es el mejor método. ¿Necesito unpd.Panel ?

Por cierto, la indexación de marcos de datos me parece bastante inconsistente: data['a']está permitido, pero data[0]no lo está. Por otro lado, data['a':]no está permitido pero sí data[0:]. ¿Hay alguna razón práctica para esto? Esto es realmente confuso si las columnas son indexadas por Int, dado quedata[0] != data[0:1]

Respuesta 2017 - pandas 0.20: .ix está en desuso. Usa .loc

Ver la desaprobación en los documentos

.locusa indexación basada en etiquetas para seleccionar tanto filas como columnas. Las etiquetas son los valores del índice o las columnas. Cortar con .locincluye el último elemento.

Vamos a suponer que tenemos una trama de datos con las siguientes columnas:
foo, bar, quz, ant, cat, sat, dat.

# selects all rows and all columns beginning at 'foo' up to and including 'sat'
df.loc[:, 'foo':'sat']
# foo bar quz ant cat sat

.locacepta la misma notación de corte que las listas de Python para las filas y las columnas. Ser notación de rebanadastart:stop:step

# slice from 'foo' to 'cat' by every 2nd column
df.loc[:, 'foo':'cat':2]
# foo quz cat

# slice from the beginning to 'bar'
df.loc[:, :'bar']
# foo bar

# slice from 'quz' to the end by 3
df.loc[:, 'quz'::3]
# quz sat

# attempt from 'sat' to 'bar'
df.loc[:, 'sat':'bar']
# no columns returned

# slice from 'sat' to 'bar'
df.loc[:, 'sat':'bar':-1]
sat cat ant quz bar

# slice notation is syntatic sugar for the slice function
# slice from 'quz' to the end by 2 with slice function
df.loc[:, slice('quz',None, 2)]
# quz cat dat

# select specific columns with a list
# select columns foo, bar and dat
df.loc[:, ['foo','bar','dat']]
# foo bar dat

Puede cortar por filas y columnas. Por ejemplo, si usted tiene 5 filas con etiquetas v, w, x, y,z

# slice from 'w' to 'y' and 'foo' to 'ant' by 3
df.loc['w':'y', 'foo':'ant':3]
#    foo ant
# w
# x
# y

Nota: .ix ha quedado en desuso desde Pandas v0.20. En su lugar, debe usar .loco .iloc, según corresponda.

El índice DataFrame.ix es a lo que desea acceder. Es un poco confuso (estoy de acuerdo en que la indexación de Pandas es desconcertante a veces), pero lo siguiente parece hacer lo que quieres:

>>> df = DataFrame(np.random.rand(4,5), columns = list('abcde'))
>>> df.ix[:,'b':]
      b         c         d         e
0  0.418762  0.042369  0.869203  0.972314
1  0.991058  0.510228  0.594784  0.534366
2  0.407472  0.259811  0.396664  0.894202
3  0.726168  0.139531  0.324932  0.906575

donde .ix [segmento de fila, segmento de columna] es lo que se está interpretando. Más información sobre la indexación de Pandas aquí: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-advanced

Usemos el conjunto de datos titánico del paquete seaborn como ejemplo

# Load dataset (pip install seaborn)
>> import seaborn.apionly as sns
>> titanic = sns.load_dataset('titanic')

usando los nombres de columna

>> titanic.loc[:,['sex','age','fare']]

usando los índices de columna

>> titanic.iloc[:,[2,3,6]]

usando ix (versión anterior a Pandas <.20)

>> titanic.ix[:,[‘sex’,’age’,’fare’]]

o

>> titanic.ix[:,[2,3,6]]

utilizando el método reindex

>> titanic.reindex(columns=['sex','age','fare'])

Además, dado un marco de datos

datos

como en su ejemplo, si desea extraer la columna ayd solamente (es decir, la 1ra y la 4ta columna), iloc mothod del marco de datos de pandas es lo que necesita y podría usarse de manera muy efectiva. Todo lo que necesita saber es el índice de las columnas que desea extraer. Por ejemplo:

>>> data.iloc[:,[0,3]]

Te regalaré

          a         d
0  0.883283  0.100975
1  0.614313  0.221731
2  0.438963  0.224361
3  0.466078  0.703347
4  0.955285  0.114033
5  0.268443  0.416996
6  0.613241  0.327548
7  0.370784  0.359159
8  0.692708  0.659410
9  0.806624  0.875476

Puede dividir las columnas de a DataFramehaciendo referencia a los nombres de cada columna en una lista, así:

data = pandas.DataFrame(np.random.rand(10,5), columns = list('abcde'))
data_ab = data[list('ab')]
data_cde = data[list('cde')]

Y si viniste aquí buscando cortar dos rangos de columnas y combinarlas (como yo), puedes hacer algo como

op = df[list(df.columns[0:899]) + list(df.columns[3593:])]
print op

Esto creará un nuevo marco de datos con las primeras 900 columnas y (todas) las columnas> 3593 (suponiendo que tenga unas 4000 columnas en su conjunto de datos).

A continuación, le mostramos cómo puede utilizar diferentes métodos para dividir en columnas de forma selectiva, incluidas la división selectiva de columnas basada en etiquetas, índices y rangos selectivos.

In [37]: import pandas as pd    
In [38]: import numpy as np
In [43]: df = pd.DataFrame(np.random.rand(4,7), columns = list('abcdefg'))

In [44]: df
Out[44]: 
          a         b         c         d         e         f         g
0  0.409038  0.745497  0.890767  0.945890  0.014655  0.458070  0.786633
1  0.570642  0.181552  0.794599  0.036340  0.907011  0.655237  0.735268
2  0.568440  0.501638  0.186635  0.441445  0.703312  0.187447  0.604305
3  0.679125  0.642817  0.697628  0.391686  0.698381  0.936899  0.101806

In [45]: df.loc[:, ["a", "b", "c"]] ## label based selective column slicing 
Out[45]: 
          a         b         c
0  0.409038  0.745497  0.890767
1  0.570642  0.181552  0.794599
2  0.568440  0.501638  0.186635
3  0.679125  0.642817  0.697628

In [46]: df.loc[:, "a":"c"] ## label based column ranges slicing 
Out[46]: 
          a         b         c
0  0.409038  0.745497  0.890767
1  0.570642  0.181552  0.794599
2  0.568440  0.501638  0.186635
3  0.679125  0.642817  0.697628

In [47]: df.iloc[:, 0:3] ## index based column ranges slicing 
Out[47]: 
          a         b         c
0  0.409038  0.745497  0.890767
1  0.570642  0.181552  0.794599
2  0.568440  0.501638  0.186635
3  0.679125  0.642817  0.697628

### with 2 different column ranges, index based slicing: 
In [49]: df[df.columns[0:1].tolist() + df.columns[1:3].tolist()]
Out[49]: 
          a         b         c
0  0.409038  0.745497  0.890767
1  0.570642  0.181552  0.794599
2  0.568440  0.501638  0.186635
3  0.679125  0.642817  0.697628

Su equivalente

 >>> print(df2.loc[140:160,['Relevance','Title']])
 >>> print(df2.ix[140:160,[3,7]])

si el marco de datos se ve así:

group         name      count
fruit         apple     90
fruit         banana    150
fruit         orange    130
vegetable     broccoli  80
vegetable     kale      70
vegetable     lettuce   125

y SALIDA podría ser como

   group    name  count
0  fruit   apple     90
1  fruit  banana    150
2  fruit  orange    130

si usa el operador lógico np.logical_not

df[np.logical_not(df['group'] == 'vegetable')]

más sobre

https://docs.scipy.org/doc/numpy-1.13.0/reference/routines.logic.html

otros operadores lógicos

1. logical_and (x1, x2, / [, out, where, ...]) Calcule el valor de verdad de x1 AND x2 por elementos.

2. logical_or (x1, x2, / [, out, where, casting, ...]) Calcule el valor de verdad de x1 OR x2 por elementos.

3. logical_not (x, / [, out, where, casting, ...]) Calcule el valor de verdad de NOT x en cuanto al elemento.
4. logical_xor (x1, x2, / [, out, where, ..]) Calcule el valor de verdad de x1 XOR x2, por elementos.

Otra forma de obtener un subconjunto de columnas de su DataFrame, suponiendo que desea todas las filas, sería hacer:
data[['a','b']]y data[['c','d','e']]
si desea usar índices numéricos de columna, puede hacer:
data[data.columns[:2]]ydata[data.columns[2:]]