Subsetting

R for Data Science by Wickham & Grolemund

Author

Sungkyun Cho

Published

February 11, 2023

Load Packages

# numerical calculation & data frames
import numpy as np
import pandas as pd

# visualization
import matplotlib.pyplot as plt
import seaborn as sns
import seaborn.objects as so

# statistics
import statsmodels.api as sm

Options

# pandas options
pd.options.display.precision = 2
pd.options.display.float_format = '{:.2f}'.format  # pd.reset_option('display.float_format')
pd.options.display.max_rows = 7

# Numpy options
np.set_printoptions(precision = 2, suppress=True)

Data: On-time data for all flights that departed NYC (i.e. JFK, LGA or EWR) in 2013

# import the dataset
flights_data = sm.datasets.get_rdataset("flights", "nycflights13")
flights = flights_data.data
flights = flights.drop(columns="time_hour") # drop the "time_hour" column

# Description
print(flights_data.__doc__)

flights

        year  month  day  dep_time  sched_dep_time  dep_delay  arr_time  \
0       2013      1    1    517.00             515       2.00    830.00   
1       2013      1    1    533.00             529       4.00    850.00   
2       2013      1    1    542.00             540       2.00    923.00   
...      ...    ...  ...       ...             ...        ...       ...   
336773  2013      9   30       NaN            1210        NaN       NaN   
336774  2013      9   30       NaN            1159        NaN       NaN   
336775  2013      9   30       NaN             840        NaN       NaN   

        sched_arr_time  arr_delay carrier  flight tailnum origin dest  \
0                  819      11.00      UA    1545  N14228    EWR  IAH   
1                  830      20.00      UA    1714  N24211    LGA  IAH   
2                  850      33.00      AA    1141  N619AA    JFK  MIA   
...                ...        ...     ...     ...     ...    ...  ...   
336773            1330        NaN      MQ    3461  N535MQ    LGA  BNA   
336774            1344        NaN      MQ    3572  N511MQ    LGA  CLE   
336775            1020        NaN      MQ    3531  N839MQ    LGA  RDU   

        air_time  distance  hour  minute  
0         227.00      1400     5      15  
1         227.00      1416     5      29  
2         160.00      1089     5      40  
...          ...       ...   ...     ...  
336773       NaN       764    12      10  
336774       NaN       419    11      59  
336775       NaN       431     8      40  

[336776 rows x 18 columns]

Subsetting options

Bracket []
Dot-notation .
iloc
loc

Bracket [ ]

Bracket안에 labels이 있는 경우 columns을 select

A single string: Series로 반환
A list of a single string: DataFrame으로 반환
A list of strings

flights['dest'] # return as a Series

0         IAH
1         IAH
2         MIA
         ... 
336773    BNA
336774    CLE
336775    RDU
Name: dest, Length: 336776, dtype: object

flights[['dest']] # return as a DataFrame

       dest
0       IAH
1       IAH
2       MIA
...     ...
336773  BNA
336774  CLE
336775  RDU

[336776 rows x 1 columns]

flights[['origin', 'dest']]

       origin dest
0         EWR  IAH
1         LGA  IAH
2         JFK  MIA
...       ...  ...
336773    LGA  BNA
336774    LGA  CLE
336775    LGA  RDU

[336776 rows x 2 columns]

Bracket안에 numbers가 있는 경우 rows를 select - position-based

Slicing만 허용
First index는 포함, last index는 제외
[1, 5, 8]과 같이 특정 rows를 선택하는 것은 허용안됨

flights[2:5]

   year  month  day  dep_time  sched_dep_time  dep_delay  arr_time  \
2  2013      1    1    542.00             540       2.00    923.00   
3  2013      1    1    544.00             545      -1.00   1004.00   
4  2013      1    1    554.00             600      -6.00    812.00   

   sched_arr_time  arr_delay carrier  flight tailnum origin dest  air_time  \
2             850      33.00      AA    1141  N619AA    JFK  MIA    160.00   
3            1022     -18.00      B6     725  N804JB    JFK  BQN    183.00   
4             837     -25.00      DL     461  N668DN    LGA  ATL    116.00   

   distance  hour  minute  
2      1089     5      40  
3      1576     5      45  
4       762     6       0

만약, 아래와 같이 index가 number일 때 out of order가 된 경우에도 row position으로 적용됨

   origin dest  arr_delay
42    LGA  DFW      48.00
2     JFK  MIA      33.00
25    EWR  ORD      32.00
14    LGA  DFW      31.00
33    EWR  MSP      29.00

df_outoforder[2:4]

   origin dest  arr_delay
25    EWR  ORD      32.00
14    LGA  DFW      31.00

Chaining with brackets

flights[['origin', 'dest']][2:5]
# 순서 바꿔어도 동일: flights[2:5][['origin', 'dest']]

  origin dest
2    JFK  MIA
3    JFK  BQN
4    LGA  ATL

Dot notation .

편리하나 주의해서 사용할 필요가 있음

Note

space 또는 . 이 있는 변수명 사용 불가
methods와 동일한 이름의 변수명 사용 불가: 예) 변수명이 count인 경우 df.count는 df의 method로 인식
새로운 변수를 만들어 값을 assgin할 수 없음: 예) df.new_var = 1 불가, 대신 df["new_var"] = 1
만약, 다음과 같이 변수을 지정했을 때 vars_names=["origin", "dest"],
- df[vars_names]는 "orign"과 "dest" columns을 선택
- df.vars_names는 vars_names이라는 이름의 column을 의미

flights.dest # flihgts["dest"]와 동일

0         IAH
1         IAH
2         MIA
         ... 
336773    BNA
336774    CLE
336775    RDU
Name: dest, Length: 336776, dtype: object

.loc & .iloc

각각 location, integer location의 약자
df.(i)loc[row_indexer, column_indexer]

.loc: label-based indexing

Index가 number인 경우도 label로 처리
Slicing의 경우 first, last index 모두 inclusive

flights.loc[2:5, ['origin', 'dest']] # 2:5는 index의 label, not position

  origin dest
2    JFK  MIA
3    JFK  BQN
4    LGA  ATL
5    EWR  ORD

다음과 같이 index가 labels인 경우는 혼동의 염려 없음

       origin dest
red       JFK  MIA
blue      JFK  BQN
green     LGA  ATL
yellow    EWR  ORD

df_labels.loc["blue":"green", :]

      origin dest
blue     JFK  BQN
green    LGA  ATL

하지만, index가 number인 경우는 혼동이 있음
앞서 본 예에서처럼 index가 out of order인 경우 loc은 다르게 작동

   origin dest  arr_delay
42    LGA  DFW      48.00
2     JFK  MIA      33.00
25    EWR  ORD      32.00
14    LGA  DFW      31.00
33    EWR  MSP      29.00

df_outoforder.loc[2:14, :] # position 아님

   origin dest  arr_delay
2     JFK  MIA      33.00
25    EWR  ORD      32.00
14    LGA  DFW      31.00

df_outoforder.loc[[25, 33], :] # slicing이 아닌 특정 index 선택

   origin dest  arr_delay
25    EWR  ORD      32.00
33    EWR  MSP      29.00

flights.loc[2:5, 'dest'] # returns as a Series

2    MIA
3    BQN
4    ATL
5    ORD
Name: dest, dtype: object

flights.loc[2:5, ['dest']] # return as a DataFrame

  dest
2  MIA
3  BQN
4  ATL
5  ORD

Tip

생략

flights.loc[2:5, :] # ':' means all
flights.loc[2:5]
flights.loc[2:5, ]

# select a single row
flights.loc[2, :] # returns as a Series, column names as its index

year        2013
month          1
day            1
            ... 
distance    1089
hour           5
minute        40
Name: 2, Length: 18, dtype: object

# select a single row
flights.loc[[2], :] # returns as a DataFrame

   year  month  day  dep_time  sched_dep_time  dep_delay  arr_time  \
2  2013      1    1    542.00             540       2.00    923.00   

   sched_arr_time  arr_delay carrier  flight tailnum origin dest  air_time  \
2             850      33.00      AA    1141  N619AA    JFK  MIA    160.00   

   distance  hour  minute  
2      1089     5      40

.iloc: position-based indexing

Slicing의 경우 as usual: first index는 inclusive, last index는 exclusive

flights.iloc[2:5, 12:14] # 2:5는 index의 position, last index는 미포함

  origin dest
2    JFK  MIA
3    JFK  BQN
4    LGA  ATL

flights.iloc[2:5, 12] # return as a Series

2    JFK
3    JFK
4    LGA
Name: origin, dtype: object

flights.iloc[2:5, :]
# 다음 모두 가능
# flights.iloc[2:5]
# flights.iloc[2:5, ]

   year  month  day  dep_time  sched_dep_time  dep_delay  arr_time  \
2  2013      1    1    542.00             540       2.00    923.00   
3  2013      1    1    544.00             545      -1.00   1004.00   
4  2013      1    1    554.00             600      -6.00    812.00   

   sched_arr_time  arr_delay carrier  flight tailnum origin dest  air_time  \
2             850      33.00      AA    1141  N619AA    JFK  MIA    160.00   
3            1022     -18.00      B6     725  N804JB    JFK  BQN    183.00   
4             837     -25.00      DL     461  N668DN    LGA  ATL    116.00   

   distance  hour  minute  
2      1089     5      40  
3      1576     5      45  
4       762     6       0

flights.iloc[2:5, [12]] # return as a DataFrame

  origin
2    JFK
3    JFK
4    LGA

flights.iloc[[2, 5, 7], 12:14] # 특정 위치의 rows 선택

  origin dest
2    JFK  MIA
5    EWR  ORD
7    LGA  IAD

Note

단 하나의 scalar 값을 추출할 때, 빠른 처리를 하는 다음을 사용할 수 있음
.at[i, j], .iat[i, j]

Series의 indexing

DataFrame과 같은 방식으로 이해

Index가 numbers인 경우

42    DFW
2     MIA
25    ORD
14    DFW
33    MSP
Name: dest, dtype: object

s.loc[25:14]

25    ORD
14    DFW
Name: dest, dtype: object

s.iloc[2:4]

25    ORD
14    DFW
Name: dest, dtype: object

s[:3]

42    DFW
2     MIA
25    ORD
Name: dest, dtype: object

Note

다음과 같은 경우 혼동스러움

s[3] # 3번째? label 3?

#> errors occur

Index가 lables인 경우

red       MIA
blue      BQN
green     ATL
yellow    ORD
Name: dest, dtype: object

s[["red", "green"]]

red      MIA
green    ATL
Name: dest, dtype: object

Boolean indexing

Bracket [ ] 이나 loc을 이용
iloc은 적용 안됨

Bracket [ ]

np.random.seed(123)
flights_6 = flights[:100][["dep_delay", "arr_delay", "origin", "dest"]].sample(6)
flights_6

    dep_delay  arr_delay origin dest
8       -3.00      -8.00    JFK  MCO
70       9.00      20.00    LGA  ORD
82      -1.00     -26.00    JFK  SFO
28       0.00     -21.00    JFK  SJU
63      -2.00       2.00    JFK  LAX
0        2.00      11.00    EWR  IAH

flights_6[flights_6["dep_delay"] < 0]

    dep_delay  arr_delay origin dest
8       -3.00      -8.00    JFK  MCO
82      -1.00     -26.00    JFK  SFO
63      -2.00       2.00    JFK  LAX

idx = flights_6["dep_delay"] < 0
idx # bool type의 Series

8      True
70    False
82     True
28    False
63     True
0     False
Name: dep_delay, dtype: bool

# Select a column with the boolean indexing
flights_6[idx]["dest"]

8     MCO
82    SFO
63    LAX
Name: dest, dtype: object

Note

사실, boolean indexing을 할때, DataFrame/Series의 index와 match함
대부분 염려하지 않아도 되나 다음과 같은 결과 참고

# Reset index
idx_reset = idx.reset_index(drop=True)
# 0     True
# 1    False
# 2     True
# 3    False
# 4     True
# 5    False
# Name: dep_delay, dtype: bool

flights_6[idx_reset]["dest"]
#> IndexingError: Unalignable boolean Series provided as indexer 
#> (index of the boolean Series and of the indexed object do not match)

# Index가 없는 numpy array로 boolean indexing을 하는 경우 문제없음
flights_6[idx_reset.to_numpy()]["dest"]
# 8     MCO
# 82    SFO
# 63    LAX
# Name: dest, dtype: object

bool_idx = flights_6[["dep_delay", "arr_delay"]] > 0
bool_idx

    dep_delay  arr_delay
8       False      False
70       True       True
82      False      False
28      False      False
63      False       True
0        True       True

idx_any = bool_idx.any(axis=1)
idx_any

8     False
70     True
82    False
28    False
63     True
0      True
dtype: bool

bool_idx.all(axis=1)

8     False
70     True
82    False
28    False
63    False
0      True
dtype: bool

`np.where()` 활용

np.where(boolean condition, value if True, value if False)

flights_6["delayed"] = np.where(idx, "delayed", "on-time")
flights_6

    dep_delay  arr_delay origin dest  delayed
8       -3.00      -8.00    JFK  MCO  delayed
70       9.00      20.00    LGA  ORD  on-time
82      -1.00     -26.00    JFK  SFO  delayed
28       0.00     -21.00    JFK  SJU  on-time
63      -2.00       2.00    JFK  LAX  delayed
0        2.00      11.00    EWR  IAH  on-time

np.where(flights_6["dest"].str.startswith("S"), "S", "T") # str method: "S"로 시작하는지 여부

array(['T', 'T', 'S', 'S', 'T', 'T'], dtype='<U1')

loc

flights_6.loc[idx, "dest"] # flights_6[idx]["dest"]과 동일

8     MCO
82    SFO
63    LAX
Name: dest, dtype: object

만약 column 이름에 “time”을 포함하는 columns만 선택하고자 하면

Series/Index object는 str method 존재
str.contains(), str.startswith(), str.endswith()

자세한 사항은 7.4 String Manipulation/String Functions in pandas by Wes McKinney

cols = flights.columns.str.contains("time") # str method: "time"을 포함하는지 여부
cols

array([False, False, False,  True,  True, False,  True,  True, False,
       False, False, False, False, False,  True, False, False, False])

# Columns 쪽으로 boolean indexing
flights.loc[:, cols]

        dep_time  sched_dep_time  arr_time  sched_arr_time  air_time
0         517.00             515    830.00             819    227.00
1         533.00             529    850.00             830    227.00
2         542.00             540    923.00             850    160.00
...          ...             ...       ...             ...       ...
336773       NaN            1210       NaN            1330       NaN
336774       NaN            1159       NaN            1344       NaN
336775       NaN             840       NaN            1020       NaN

[336776 rows x 5 columns]

Warning

Chained indexing으로 값을 assign하는 경우 copy vs. view 경고 메세지

flights[flights["arr_delay"] < 0]["arr_delay"] = 0

/var/folders/mp/vcywncl97ml2q4c_5k2r573m0000gn/T/ipykernel_96692/3780864177.py:1: SettingWithCopyWarning: A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy

경고가 제시하는데로 .loc을 이용하여 assign

flights.loc[flights["arr_delay"] < 0, "arr_delay"] = 0

Summary

Bracket [ ]의 경우
- 간단히 columns을 선택하고자 할때 column labels: df[["var1", "var2"]]
- 간단히 rows를 선택하고자 할때 numerical indexing: df[:10]
Dot-notation은
- pandas의 methods와 중복된 이름을 피하고,
- assignment의 왼편에는 사용을 피할 것
가능하면 분명한 loc 또는 iloc을 사용
- loc[:, ["var1", "var2"]]는 df[["var1", "var2"]]과 동일
- iloc[:10, :]은 df[:10]와 동일
- loc의 경우, index가 숫자라 할지라도 label로 처리됨
- loc은 iloc과는 다른게 first, last index 모두 inclusive
Boolean indexing의 경우
- Bracket [ ]: df[bool_idx]
- loc: df.loc[bool_idx, :]
- iloc 불가
Assignment를 할때는,
- chained indexing을 피하고: df[:5]["dest"]
- loc or iloc 사용:
  - df.loc[:4, "dest"]: index가 0부터 정렬되어 있다고 가정했을 때, slicing에서 위치 하나 차이남
  - df.iloc[:5, 13]: “dest”의 column 위치 13
한 개의 column 혹은 row을 선택하면 Series로 반환: df["var1"] 또는 df.loc[2, :]

Note

Numpy의 indexing에 대해서는 교재 참고
Ch.4/Basic Indexing and Slicing in Python Data Analysis by Wes McKinney

Bracket [ ]

Dot notation .

.loc & .iloc

.loc: label-based indexing

.iloc: position-based indexing

Series의 indexing

Boolean indexing

Bracket [ ]

np.where() 활용

loc

Summary

`np.where()` 활용