取自here的数据并修改。
df
Gel.Menge Erf.datum Freig.
0 0.0 26.11.2014 26.11.2014
1 10.0 06.11.2014 07.11.2014
2 5.0 19.12.2014 08.01.2015
3 7.0 07.07.2015 17.07.2015
4 0.0 21.07.2015 22.07.2015
5 5.0 18.03.2016 22.03.2016
6 10.0 29.03.2016 31.03.2016
7 0.0 20.07.2016 21.07.2016
8 20.0 13.10.2016 17.10.2016
9 0.0 01.12.2014 01.12.2014
10 0.0 20.04.2015 20.04.2015
选项1
boolean indexing
df[df['Gel.Menge'] != 0]
Gel.Menge Erf.datum Freig.
1 10.0 06.11.2014 07.11.2014
2 5.0 19.12.2014 08.01.2015
3 7.0 07.07.2015 17.07.2015
5 5.0 18.03.2016 22.03.2016
6 10.0 29.03.2016 31.03.2016
8 20.0 13.10.2016 17.10.2016
选项2
np.where
m = np.where(df['Gel.Menge'], True, False)
m
array([False, True, True, True, False, True, True, False, True,
False, False], dtype=bool)
df[m]
Gel.Menge Erf.datum Freig.
1 10.0 06.11.2014 07.11.2014
2 5.0 19.12.2014 08.01.2015
3 7.0 07.07.2015 17.07.2015
5 5.0 18.03.2016 22.03.2016
6 10.0 29.03.2016 31.03.2016
8 20.0 13.10.2016 17.10.2016
选项3
df.query
c = df['Gel.Menge']
df.query('@c != 0')
Gel.Menge Erf.datum Freig.
1 10.0 06.11.2014 07.11.2014
2 5.0 19.12.2014 08.01.2015
3 7.0 07.07.2015 17.07.2015
5 5.0 18.03.2016 22.03.2016
6 10.0 29.03.2016 31.03.2016
8 20.0 13.10.2016 17.10.2016
选项4
df.eval
df[df.eval('@c != 0')]
Gel.Menge Erf.datum Freig.
1 10.0 06.11.2014 07.11.2014
2 5.0 19.12.2014 08.01.2015
3 7.0 07.07.2015 17.07.2015
5 5.0 18.03.2016 22.03.2016
6 10.0 29.03.2016 31.03.2016
8 20.0 13.10.2016 17.10.2016
注:两个步骤是必要的query
和eval
由于与处理列名的限制。
选项5
astype(bool)
df[df['Gel.Menge'].astype(bool)]
Gel.Menge Erf.datum Freig.
1 10.0 06.11.2014 07.11.2014
2 5.0 19.12.2014 08.01.2015
3 7.0 07.07.2015 17.07.2015
5 5.0 18.03.2016 22.03.2016
6 10.0 29.03.2016 31.03.2016
8 20.0 13.10.2016 17.10.2016
性能
print(df.shape)
(110000, 3)
100 loops, best of 3: 2.4 ms per loop
100 loops, best of 3: 2.36 ms per loop
100 loops, best of 3: 4.79 ms per loop
100 loops, best of 3: 4.97 ms per loop
100 loops, best of 3: 2.08 ms per loop
够做'DF [DF [ “Gel.Menge”]!= 0]' –
或者'df.query( “Gel.Menge!= 0” )',或'DF [df.eval( “Gel.Menge!= 0”)]' –
我错过的采样数据。所有的上述评论会使一个很好的答案。 – Dark