在熊猫数据框中过滤不起作用

如何解决在熊猫数据框中过滤不起作用

我正在尝试通过使用熊猫数据框将3个CSV合并为一个。考虑下面的例子

因此，我需要将以上csv合并为一个。这是使用以下代码实现的

<input name="name" id="waffles" onchange="handleOnChangeInput(this)"/>

即使能够将CSV合并为一个，也无法根据条件过滤行。当我尝试上述代码片段时，出现以下警告，并且data4.csv除了标题外不包含任何内容

if os.path.isfile(data1.csv) and os.path.isfile(data2.csv) and os.path.isfile(data3.csv):
    df1 = pd.read_csv(data1.csv)
    df2 = pd.read_csv(data2.csv)
    df3 = pd.read_csv(data3.csv)
    self.combined_data_frame = pd.concat([df1,df2,df3],ignore_index=True)
    self.combined_data_frame = pd.DataFrame(self.combined_data_frame,columns=['col1','col2','col3'])
    result = self.combined_data_frame.loc[(self.combined_data_frame['col3'] == 'FALSE')]
    result.to_csv(data4.csv)

我可以知道如何解决此问题以满足我的要求，否则还有其他方法可以使用python来实现。

您的提示和解决方案受到赞赏 #UPDATE 这是例外的输出

解决方法

• 使用pathlib查找文件
• 将列表理解与pandas.read_csv一起使用以创建数据框列表，并将其与pd.concat组合在一起
  • 请注意，'FALSE'和'TRUE'已分别转换为False和True，并且是bool而非str类型。 / li>
  • 或者，使用pd.concat([pd.read_csv(file,dtype={'col3': str}) for file in files])，它将将col3保持为str，然后仍然过滤'FALSE'。
• 使用Pandas: Boolean Indexing过滤数据框
  • 过滤器必须过滤False，而不是'FALSE'。
• 使用pandas.DataFrame.to_csv保存数据框
• pandas的当前版本为1.1.0。

from pathlib import Path
import pandas as pd

# find the files
files = Path('c:/users/some_path/to_files').glob('data*.csv')

# create a dataframe of all the files
df = pd.concat([pd.read_csv(file) for file in files]).reset_index(drop=True)

# display(df)
    col1  col2   col3
0      1     2  False
1      1     2  False
2      1     2   True
3      1     2  False
4      3     4  False
5      3     4   True
6      3     4   True
7      3     4   True
8      6     7  False
9      6     7  False
10     6     7  False
11     6     7  False

# filter the data for False
df_false = df[df.col3 == False]

# save the file
df_false.to_csv('false.csv',index=False)

,

您似乎在语句中加上了一组括号：

result = self.combined_data_frame.loc[(self.combined_data_frame['col3'] == 'FALSE')]

尝试改用它：

result = self.combined_data_frame.loc[self.combined_data_frame['col3'] == 'FALSE']

,

好吧，我将使用这3个数据框，将它们连接起来，并用〜过滤col3：

import pandas as pd

df1 = pd.DataFrame({
           'col1':[1,1,1],'col2':[2,2,2],'col3':[False,True,False,True]
         })
print(df1)
   col1  col2   col3
0     1     2  False
1     1     2   True
2     1     2  False
3     1     2   True

df2 = pd.DataFrame({
           'col1':[3,3,3],'col2':[4,4,4],True]
         })
print(df2)
   col1  col2   col3
0     3     4  False
1     3     4   True
2     3     4   True
3     3     4   True

df3 = pd.DataFrame({
           'col1':[6,6,6],'col2':[7,7,7],False]
         })
print(df3)
   col1  col2   col3
0     6     7  False
1     6     7  False
2     6     7  False
3     6     7  False

combined_data_frame = pd.concat([df1,df2,df3],ignore_index=True)
print(combined_data_frame)
    col1  col2   col3
0      1     2  False
1      1     2   True
2      1     2  False
3      1     2   True
4      3     4  False
5      3     4   True
6      3     4   True
7      3     4   True
8      6     7  False
9      6     7  False
10     6     7  False
11     6     7  False

final_data_frame = combined_data_frame[~combined_data_frame.col3]
print(final_data_frame)
    col1  col2   col3
0      1     2  False
2      1     2  False
4      3     4  False
8      6     7  False
9      6     7  False
10     6     7  False
11     6     7  False

final_data_frame.to_csv('final_data_frame.csv',index=False)

最终文件根据您的预期输出（ index = False ）。