Sélectionner des colonnes

Pourquoi la sélection de colonnes est importante

Les jeux de données comptent souvent des dizaines de colonnes. La plupart des analyses se concentrent sur un sous-ensemble. Sélectionner les bonnes colonnes réduit l’utilisation de la mémoire, accélère les calculs et rend votre code plus clair.

Nous utiliserons le jeu de données Titanic tout au long de cette leçon :

import pandas as pd

# titanic.csv ships with the course — load it from the browser file system.
df = pd.read_csv("titanic.csv")

Sélectionner une colonne unique

Notation entre crochets, l’approche la plus courante :

ages = df["Age"]
print(type(ages))   # <class 'pandas.core.series.Series'>

Notation par point, plus courte mais ne fonctionne que lorsque le nom de la colonne ne contient ni espaces ni caractères spéciaux :

print(df.Age.head())   # first 5 ages

Les deux renvoient une Series (unidimensionnelle). Le nom de la colonne devient le nom de la Series, et l’index du DataFrame est conservé.

Sélectionner plusieurs colonnes

Passez une liste de noms de colonnes entre crochets. Cela renvoie un DataFrame, et non une Series :

subset = df[["Name", "Age", "Fare"]]
print(type(subset))   # <class 'pandas.core.frame.DataFrame'>
print(subset.head())

Sortie :

                                                Name   Age     Fare
0                            Braund, Mr. Owen Harris  22.0   7.2500
1  Cumings, Mrs. John Bradley (Florence Briggs Th...  38.0  71.2833
2                             Heikkinen, Miss. Laina  26.0   7.9250
3       Futrelle, Mrs. Jacques Heath (Lily May Peel)  35.0  53.1000
0                           Allen, Mr. William Henry  35.0   8.0500

L’ordre des colonnes dans la liste détermine leur ordre dans la sortie.

Utiliser loc pour la sélection de colonnes

loc sélectionne par étiquette et peut gérer à la fois les lignes et les colonnes :

# select all rows, specific columns
subset = df.loc[:, ["Name", "Survived"]]

: signifie « toutes les lignes ». La liste de noms de colonnes sélectionne des colonnes spécifiques. Cela équivaut à df[["Name", "Survived"]] mais devient indispensable quand on combine la sélection de lignes et de colonnes en une seule étape.

Schémas pratiques

Renommer après la sélection, ne gardez que ce dont vous avez besoin avec des noms plus clairs :

demographics = df[["Name", "Age", "Sex"]].copy()
demographics.columns = ["passenger", "age", "gender"]

Sélectionner des colonnes par type de données, utile lorsque vous avez beaucoup de colonnes :

numeric_cols = df.select_dtypes(include=["number"])
print(numeric_cols.columns.tolist())
# ['PassengerId', 'Survived', 'Pclass', 'Age', 'SibSp', 'Parch', 'Fare']

categorical_cols = df.select_dtypes(include=["object"])
print(categorical_cols.columns.tolist())
# ['Name', 'Ticket', 'Cabin', 'Embarked']

Sélectionner des colonnes contenant une sous-chaîne :

# useful for wide datasets with naming conventions
age_cols = [col for col in df.columns if "age" in col.lower()]

Quand utiliser quoi

Essayez-le

À partir du jeu de données Titanic, sélectionnez uniquement les colonnes Name, Pclass et Fare. Affichez les 5 premières lignes. Ensuite, sélectionnez uniquement les colonnes numériques et affichez leurs noms.

import pandas as pd

# titanic.csv ships with the course — load it from the browser file system.
df = pd.read_csv("titanic.csv")

subset = df[["Name", "Pclass", "Fare"]]
print(subset.head())

numeric = df.select_dtypes(include=["number"])
print(numeric.columns.tolist())

Points clés à retenir

• La notation entre crochets df["col"] est la méthode standard pour sélectionner une colonne unique
• df[["col1", "col2"]] renvoie un DataFrame avec plusieurs colonnes
• loc devient essentiel pour combiner la sélection de lignes et colonnes
• select_dtypes() est puissant pour sélectionner des colonnes par type de données

Défi pratique

À partir du jeu de données Titanic, créez un nouveau DataFrame appelé passenger_info contenant uniquement Name, Age, Sex et Survived. Combien de lignes ont des valeurs Age manquantes dans ce sous-ensemble ? (Indice : utilisez .isna().sum())