Опираясь на ответ LondonRob, вы могли бы использовать
df.loc[df[mylist].any(axis=1)]
Вызов any
метода, DataFrame будет работать лучше, чем при использовании apply
вызвать встроенную функцию any
Питона один раз в строке.
Или вы могли бы использовать np.logical_or.reduce
:
df.loc[np.logical_or.reduce(df[mylist], axis=1)]
Для больших DataFrames, используя np.logical_or
может быть быстрее:
In [30]: df = pd.DataFrame(np.random.binomial(1, 0.1, size=(100,300)).astype(bool))
In [31]: %timeit df.loc[np.logical_or.reduce(df, axis=1)]
1000 loops, best of 3: 261 µs per loop
In [32]: %timeit df.loc[df.any(axis=1)]
1000 loops, best of 3: 636 µs per loop
In [33]: %timeit df[df.apply(any, axis=1)]
100 loops, best of 3: 2.13 ms per loop
Обратите внимание, что df.any
имеет дополнительные функции, такие как способность пропускать пренебрежимо малых. В этом случае, если столбцы булевозначны, то не может быть никаких NaN (поскольку значения NaN являются значениями с плавающей запятой). Так что np.logical_or.reduce
быстрее.
import numpy as np
import pandas as pd
np.random.seed(2014)
df = pd.DataFrame(np.random.binomial(1, 0.1, size=(10,3)).astype(bool),
columns=list('ABC'))
print(df)
# A B C
# 0 False False False
# 1 True False False
# 2 False False False
# 3 True False False
# 4 False False False
# 5 False False False
# 6 False True False
# 7 False False False
# 8 False False False
# 9 False False False
mylist = list('ABC')
print(df[ df[mylist[0]] | df[mylist[1]] | df[mylist[2]] ])
print(df.loc[df[mylist].any(axis=1)])
print(df.loc[np.logical_or.reduce(df[mylist], axis=1)])
дает строки, в которых по крайней мере один из столбцов истинно:
A B C
1 True False False
3 True False False
6 False True False
жаль ты говоришь, что 'mylist' является строка имен столбцов, таких как '['col1', 'col2', col3 ']'? Если да, то почему вы просто не делаете 'df [myList]'? – EdChum