При работе с большими наборами данных в Python с использованием библиотеки Pandas часто возникает необходимость извлечь подмножество столбцов из DataFrame. Если вы хотите сосредоточиться на конкретных функциях или сократить использование памяти, существует несколько эффективных методов выполнения этой задачи. В этой статье мы рассмотрим различные методы с примерами кода, которые помогут вам эффективно подбирать столбцы в Pandas DataFrames.

Метод 1: использование скобочных обозначений

# Selecting single column
df_subset_1 = df['column_name']
# Selecting multiple columns
df_subset_2 = df[['column_name_1', 'column_name_2']]

Метод 2: использование метода доступа loc

# Selecting single column
df_subset_3 = df.loc[:, 'column_name']
# Selecting multiple columns
df_subset_4 = df.loc[:, ['column_name_1', 'column_name_2']]

Метод 3. Использование метода доступа iloc

# Selecting single column
df_subset_5 = df.iloc[:, column_index]
# Selecting multiple columns
df_subset_6 = df.iloc[:, [column_index_1, column_index_2]]

Метод 4. Использование метода filter

# Selecting columns by name
df_subset_7 = df.filter(items=['column_name_1', 'column_name_2'])
# Selecting columns by regex pattern
df_subset_8 = df.filter(regex='regex_pattern')

Метод 5: использование метода drop

# Dropping unwanted columns
columns_to_drop = ['column_name_1', 'column_name_2']
df_subset_9 = df.drop(columns=columns_to_drop)

Метод 6. Использование логического индексирования

# Selecting columns based on condition
condition = df.columns.str.contains('keyword')
df_subset_10 = df.loc[:, condition]

В этой статье мы рассмотрели несколько методов разделения столбцов в Pandas DataFrames. Используя обозначение скобок, методы доступа locи iloc, метод filter, метод dropи логическое индексирование, вы получаете множество вариантов на выбор в зависимости от ваших конкретных потребностей. Понимание этих методов поможет вам эффективно извлекать нужные столбцы и улучшить рабочие процессы анализа данных.

При выборе подходящего метода подмножества столбцов не забывайте учитывать такие факторы, как производительность, читаемость и удобство обслуживания. Эффективно используя эти методы, вы можете упростить задачи по манипулированию данными и получить ценную информацию из ваших фреймов данных Pandas.

Реализуя эти методы, вы сможете оптимизировать рабочий процесс анализа данных и повысить продуктивность работы с Python с помощью Pandas.